一种面向时间序列InSAR的不连通子网快速连接方法

时间序列InSAR技术目前已广泛应用于地表形变监测,尤其是稳定点目标较多地区的城市地面沉降监测。然而,实际应用中受大气相关距离限制以及模型相干系数阈值影响,连接点目标的Delaunay三角网常常不能完整地连接所有点目标,出现若干个不连通的子网。这种现象导致无法获取部分点目标的形变信息,特别是在非城镇地区影响尤为明显。为了提取大区域地表形变信息,本文提出了一种多层级、不同步长的子网最近邻点目标快速连接方法。其显著特点是通过逐层联网的方式,可快速减少子网数目。与现有复杂网络连接方法相比,该方法在保证结果精度的前提下,数据处理耗时仅为前者的32.56%。

三层复杂网络模型构建及特性分析

为了揭示多层复杂网络的特性,提出和建立了3种三层复杂网络演化模型,并定义了随机概率定量刻画多层网络层间依赖关系。实验结果表明:不同随机概率表征出三层网络具有单峰、双峰以及三峰等特性的网络度分布,随机概率趋于10-3时,三层无标度网络呈现出幂律和单峰共现特性;随机概率对三层网络的聚类系数和平均路径长度影响相对较小。

基于TTFNet的实时交通信号灯检测

在交通运输网络和智能驾驶系统中,交通信号灯的检测和识别是必不可少的。利用CenterNet网络模型检测交通信号灯,存在收敛速度慢、网络训练时间长的问题。针对这个问题,提出了在TTFNet (Training-Time-Friendly Network)模型上减少网络的通道数并添加层级连接结构来检测交通信号灯。最后在巴黎LaRa公开的TLR交通信号灯数据集上进行实验验证。实验结果表明,对于交通信号灯的检测,所提出的方法可以在保持先进性能和精确度的同时,减少网络训练的消耗,提高检测的实时性。

基于磁共振影像的半月板撕裂程度自动检测

严重的半月板损伤是不可逆的,需及时进行早期诊断。磁共振成像(magnetic resonance imaging,MRI)是半月板疾病研究和诊断的常用手段,而人工对影像分析常受医生主观因素影响,易出现误诊或漏诊。提出一种基于膝关节磁共振影像的半月板撕裂程度检测方法。采用霍夫变换获得以半月板为中心的局部区域,并利用伽马变换对图像增强。采用3层级连接残差网络实现对撕裂程度的预测。通过多组试验验证了文中方法对半月板撕裂程度的检测有更精准的预测效果。

融合多层级特征的脑肿瘤图像分割方法

针对脑肿瘤图像分割中网络模型信息损耗、上下文信息联系不足及网络泛化能力较差导致分割精度较低的问题,提出了一种新型的脑肿瘤图像分割方法,该方法是通过深度门控卷积模块(depth gate convolution,DGC)和特征增强模块(feature enhancement module,FEM)组成的多层级连接(multi-level connection,MC)脑肿瘤分割模型。采用深度卷积模块降低特征信息在逐层传递的信息损耗;使用控制门单元(control gate unit,CGU)实现各个尺度的特征图的MC,其中组合池化来减少下采样过程中的信息丢失;通过FEM增强分割区域的特征权重。实验结果表明,预测分割脑肿瘤的整体肿瘤区(whole tumor,WT)、核心肿瘤区(tumor core,TC)和增强肿瘤区(enhancement tumor,ET)的Dice系数分别达到了0.92、0.84和0.83,Hausdorff距离达到了0.77、1.50和0.92,脑肿瘤分割精度相较于当前较多方法分割精度和计算效率较高,具有良好的分割性能。