基于高维空间最小生成树自适应覆盖模型的可拒绝分类算法

在高维空间样本较少的情况下,基于统计模型的可拒绝分类方法难以对样本分布的复杂几何形体构建合理的覆盖模型。为此,该文提出基于高维空间最小生成树自适应覆盖模型的可拒绝分类模型。该模型采用最小生成树刻画高维空间样本点分布,将图形的边作为新增虚拟样本以提供更好的同类样本分布描述。通过将同类相近样本划分到一个连通几何覆盖区域内,将不同类的相近样本归于不同几何覆盖区域内,实现对不同训练类的覆盖。为了克服因不合理虚拟样本造成分类器拒识性能的下降,引入自适应调整覆盖半径策略,实现对训练类的紧致性覆盖。对于测试样本,根据训练类覆盖边界便可对其作出拒识或者接受的处理,针对交叉覆盖的接受样本,再根据数据场策略确定其真正归属类别。实验结果表明本文方法合理有效。

基于超声和钼靶的两阶段乳腺癌诊断系统

全球范围内乳腺癌发病率持续上升,乳腺癌的异质性导致良恶肿瘤在超声声像上呈现不同程度交叉和重叠,只利用一种图像信息不能得到满意的分类效果.因此本文提出基于超声和钼靶的两阶段乳腺癌诊断系统:第一阶段用拒绝分类方法对乳腺超声图像进行识别,对置信度高的肿瘤赋予其类别标签,对不确定的肿瘤不予分类;第二阶段对这些没有分类的肿瘤使用钼靶图像进行辨别.该系统利用多模态图像信息,筛查难以辨识的超声图像,辅以钼靶图像信息,对乳腺肿瘤进行诊断.本研究采用的超声和钼靶图像数据由哈尔滨医科大学肿瘤医院和哈尔滨医科大学第一附属医院提供,分别对拒绝分类方法和两阶段诊断系统进行实验验证和方法对比.与只使用乳腺超声特征的诊断系统相比,本文提出的两阶段诊断系统性能更优:正确率为92.59%,AUC为0.933 3,G-mean为93.09%、敏感性为86.67%,特异性为100%,阳性预测值为100%,阴性预测值为85.71%,马修斯相关系数为0.861 9.实验结果表明,增加钼靶图像信息可提高只使用超声图像的单一模态诊断系统的性能.

融合深度卷积网络与点云网络的三维车辆检测方法分析

在常规的车辆目标检测中,YOLO,SSD,RCNN等深度模型都获得了较好的检测效果,但是在无人驾驶系统中,车辆的速度、方向、相对距离等因素对于系统来说十分重要,所以采用二维车辆检测对于驾驶场景的理解还远远不够。激光点云数据蕴含着丰富的三维环境信息,融合点云数据和深度网络的三维车辆检测已成为未来的发展方向。文章给出了一种基于点云网络与卷积神经网络的三维车辆检测方法,首先,使用CRC和输入尺寸有关的SDP技术来提高车辆检测的准确性;其次,采用点云网络结构(Pointnet)来处理点云数据,实现三维目标检测,研究表明设计网络结构在检测精度上有着较大的优势。

一种自适应最大拒绝鉴别分析及其鉴别矢量集

针对MRC-Boosting方法中的弱分类器二值化以及鉴别矢量不正交等问题,提出一种自适应最大拒绝鉴别分析(AdaMRDA),进一步提高分类性能.通过已抽取的鉴别特征到期望中心的距离,设计一种自适应权重调整方法,使得后面得到的鉴别矢量更加有利于分类,并且给出最佳正交鉴别矢量集的求解方程.最后,通过在2个数据库上的实验证明,AdaMRDA方法在分类性能上明显优于MRC-Boosting方法及相关方法.