基于改进U-net的少样本煤岩界面图像分割方法

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。针对以上问题,提出了一种基于改进U-net模型的样本煤岩界面图像分割模型。将裁剪后具有更强特征提取能力且结构上更为简单的VGG16替换U-net的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在U-net网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典Unet、DeepLabv3+、PspNet、HrNet网络模型进行了对比。试验结果表明:在同样使用由125幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典U-net模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了1.84%,平均交并比提高了5.34%,类别平均像素准确率提高了0.48%,检测速度增幅为5.3%。同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

基于局部特征深度信息的绝缘子小样本缺陷检测

基于深度学习的目标检测技术已广泛应用于绝缘子缺陷检测中,然而现有目标检测算法主要基于大量缺陷样本训练网络模型,无法对少样本缺陷进行准确识别。针对绝缘子缺陷检测过程中缺陷样本量不足的问题,该文提出了一种基于局部特征深度信息的绝缘子小样本缺陷检测方法。首先采用旋转目标检测网络改进Faster R-CNN(faster region-based convolutional neural network)模型提取绝缘子串区域,然后对绝缘子串特征进行划分,提取绝缘子串局部特征并基于深度推土距离(deep earth mover’s distance,Deep EMD)网络实现小样本缺陷检测。实验结果表明,在玻璃绝缘子自爆缺陷检测中,所提出方法采用2张训练样本可取得与现有目标检测方法 200张训练样本相同的效果,采用10张训练样本的绝缘子自爆检测在与真值框的交并比阈值为0.5至0.95之间的平均精度(mean average precision,mAP)达到0.65,该方法为小样本电力设备缺陷智能化检测提供了新的方法和思路。

小样本学习技术在新型电力系统中的应用与挑战

数据驱动已成为新型电力系统建设及其数字化转型的核心范式,相关算法在负荷预测、状态检修、多主体调控等多项业务中展现出优越的工程效果与应用潜力。然而,实际工程数据往往面临着样本不足、样本不平衡等问题,制约了数据驱动算法的最终效果。因此,需要借助小样本学习来应对这一挑战。文中从数据、特征、模型3个层面探究了小样本学习技术,综述并分析了相关技术在场景生成、故障诊断、电力系统暂态稳定评估等业务的应用现状,并进一步指出小样本学习技术在新型电力系统中所面临的不足与挑战。

增强提示学习的少样本文本分类方法

针对少样本文本分类任务,提出提示学习增强的分类算法(EPL4FTC)。该算法将文本分类任务转换成基于自然语言推理的提示学习形式,在利用预训练语言模型先验知识的基础上实现隐式数据增强,并通过两种粒度的损失进行优化。为捕获下游任务中含有的类别信息,采用三元组损失联合优化方法,并引入掩码语言模型任务作为正则项,提升模型的泛化能力。在公开的4个中文文本和3个英文文本分类数据集上进行实验评估,结果表明EPL4FTC方法的准确度明显优于所对比的基线方法。

优化合成样本分布的加权过采样方法

针对不均衡数据分类问题中原有过采样方法在生成样本分布上存在的不足,文章提出改进合成样本分布的加权过采样方法——WKSMOTE(Weighted SMOTE for WKMeans preprocess)。首先,应用聚类算法中的WKMeans算法对原数据集进行预处理,进而划分少数类样本,使每个样本生成不同数量的新样本;然后,应用SMOTE算法合成新样本,增强决策边界;最后,将过采样后的均衡数据集在随机森林分类器中进行训练。实验结果表明,WKSMOTE方法对不均衡数据集的整体分类性能有一定的提升,验证了方法的有效性。

基于微调原型网络的小样本敏感信息识别方法

敏感信息识别主要是指识别互联网上涉及色情、毒品、邪教、暴力等类型的敏感信息,现有的敏感信息识别通常将其看作文本分类任务,但由于缺乏大规模的敏感信息标注数据,分类效果不佳。该文提出一种基于微调原型网络的小样本敏感信息识别方法,在小样本学习框架下,利用快速适应的微调原型网络来缓解元训练阶段通用新闻领域和元测试阶段敏感信息数据差异大的问题。首先,在元训练阶段,基于通用新闻领域的分类数据训练模型来学习通用知识,同时在训练过程中经过两阶段梯度更新,得到一组对新任务敏感的快速适应初始参数,然后在元测试阶段敏感文本数据集的新任务上,冻结模型部分参数并使用支持集进一步微调,使模型更好地泛化到敏感识别领域上。实验结果证明,相比当前最优的小样本分类模型,该文提出的快速适应微调策略的原型网络显著提升了敏感信息识别效果。

采用特征图增强原型的小样本图像分类方法

在基于度量学习的小样本图像分类方法中,由于标注样本的稀缺,仅用支持集样本得到的类原型往往难以代表整个类别的真实分布;同时,同类样本间也可能在多个方面存在较大差异,较大的类内差异可能使样本特征偏离类别中心。针对上述可能严重影响图像分类性能的问题,提出一种采用特征图增强原型的小样本图像分类方法(FMEP)。首先,用余弦相似度从查询集样本特征图中选择部分相似特征加入类原型中,得到更具代表性的特征图增强原型;其次,对相似的查询集样本特征进行聚合,缓解类内差异大导致的问题,使同类样本的特征分布更接近;最后,用在特征空间中与真实类别分布都更接近的特征图增强原型和聚合查询特征进行相似度比较得到更优的分类结果。所提方法在MiniImageNet、TieredImageNet、CUB-200和CIFAR-FS等常用的小样本图像分类数据集上进行了实验,结果表明所提方法获得了比基线模型更优的分类性能,同时也优于同类型的小样本图像分类方法。

《涉及人的生命科学和医学研究伦理审查办法》对生物样本的要求及对伦理审查的挑战

关于生物样本,相较于《涉及人的生物医学研究伦理审查办法》,新发布的《涉及人的生命科学和医学研究伦理审查办法》更新了定义,明确了范畴,界定了主体责任,强调了管理体系、伦理审查和知情同意。通过对比分析国内外生物样本的管理现状,发现中国对生物样本的管理和伦理审查仍存在诸多问题,生物样本的管理体系较混乱,管理的责任主体不明确,缺少行业内广泛认可的生物样本管理规范,伦理委员会缺位,伦理审查不规范,知情同意不充分或无法落实,研究结果难反馈等。因此,建议建立规范化的生物样本管理体系,进行规范有效的伦理审查和充分必要的知情同意等,以达到《涉及人的生命科学和医学研究伦理审查办法》对生物样本的要求,提升中国生物样本的管理质量。

基于模型微调的空中无人机小样本目标识别方法

空中无人机目标识别是现代军事、航空领域的迫切需求,由于目前无人机的功能和种类繁多,对于新机型很难采集大量的无人机样本用于训练目标识别模型;针对该问题,提出了一种基于模型微调的空中无人机小样本目标识别方法;方法以Faster R-CNN为基础架构,首先采用具有大量标记样本的常见机型数据预训练Faster R-CNN模型;然后将基础架构最后的分类层替换为余弦度量,构建联合新机型与常见机型的小样本平衡数据集以较小的学习率微调分类层;实验结果表明,在标记样本数量为5、10和50的情况下,基于模型微调的小样本目标识别模型的mAP分别为88.6%,89.2%和90.8%,能够满足空中无人机小样本目标识别任务需求,且优于其它小样本目标识别方法。

放置时间对宠物犬血液样本生化指标检测结果的影响

实验旨在观察放置时间对比格犬不同血液样本生化指标检测结果的影响。本实验选择体检健康的比格犬20只,清晨空腹头静脉分别采集血液样本,EDTA抗凝制备全血、血浆样本,常温凝血后制备血清样本,保存在4℃冰箱,分别在采血后1、6、12、24 h测定血液总蛋白(TP)、白蛋白(ALB)、球蛋白(GLO)、丙氨酸氨基转移酶(ALT)、碱性磷酸酶(ALP)、肌酐(CRE)、葡萄糖(GLU)、总胆红素(TBIL)、总胆固醇(CHOL)等指标。结果显示:放置6 h,全血样本GLU水平显著下降,而血清或血浆各项指标差异不显著;放置12 h,3种血液样本TBIL水平匀显著下降,全血样本ALT、ALP显著升高,GLU水平极显著下降,血浆和血清GLU显著下降;放置24 h时,全血样本生化指标呈现显著或极显著变化,血浆和血清样本ALT、ALP、CRE水平显著或极显著升高,GLU、TBIL水平极显著下降,其他指标差异不显著。由此可见,血液标本放置时间会对生化检测结果造成比较大的影响,应在采集宠物犬血液样本后1 h内完成临床生化指标检测;如不能在1 h内完成检测,则需要制备为血清或血浆样本保存在4℃环境,并在6 h内完成检测。

基于多样真实任务生成的鲁棒小样本分类方法

随着大数据、计算机与互联网等技术的不断进步,以机器学习和深度学习为代表的人工智能技术取得了巨大成功,尤其是最近不断涌现的各种大模型,极大地加速了人工智能技术在各个领域的应用.但这些技术的成功离不开海量训练数据和充足的计算资源,大大限制了这些方法在一些数据或计算资源匮乏领域的应用.因此,如何利用少量样本进行学习,也就是小样本学习成为以人工智能技术引领新一轮产业变革中一个十分重要的研究问题.小样本学习中最常用的方法是基于元学习的方法,这类方法通过在一系列相似的训练任务上学习解决这类任务的元知识,在新的测试任务上利用元知识可以进行快速学习.虽然这类方法在小样本分类任务上取得了不错的效果,但是这类方法的一个潜在假设是训练任务和测试任务来自同一分布.这意味着训练任务需要足够多才能使模型学到的元知识泛化到不断变化的测试任务中.但是在一些真正数据匮乏的应用场景,训练任务的数量也是难以保证的.为此,提出一种基于多样真实任务生成的鲁棒小样本分类方法(DATG).该方法通过对已有少量任务进行Mixup,可以生成更多的训练任务帮助模型进行学习.通过约束生成任务的多样性和真实性,该方法可以有效提高小样本分类方法的泛化性.具体来说,先对训练集中的基类进行聚类得到不同的簇,然后从不同的簇中选取任务进行Mixup以增加生成任务的多样性.此外,簇间任务Mixup策略可以减轻学习到与类别高度相关的伪判别特征.同时,为了避免生成的任务与真实分布太偏离,误导模型学习,通过最小化生成任务与真实任务之间的最大均值差异(MMD)来保证生成任务的真实性.最后,从理论上分析了为什么基于簇间任务Mixup的策略可以提高模型的泛化性能.多个数据集上的实验结果进一步证明了所提出的基于多样性和真实性任务扩充方法的有效性.

基于决策边界敏感性和小波变换的电磁信号调制智能识别对抗样本检测方法

深度学习在图像分类和分割、物体检测和追踪、医疗、翻译和语音识别等与人类相关的任务中取得了巨大的成功。它能够处理大量复杂的数据,并自动提取特征进行预测,因此可以更准确地预测结果。随着深度学习模型的不断发展,以及可获得的数据和计算能力的提高,这些应用的准确性不断提升。最近,深度学习也在电磁信号领域得到了广泛应用,例如利用神经网络根据信号的频域和时域特征对其进行分类。但神经网络容易受到对抗样本的干扰,这些对抗样本可以轻易欺骗神经网络,导致分类错误。因此,对抗样本的生成、检测和防护的研究变得尤为重要,这将促进深度学习在电磁信号领域和其他领域的发展。针对现阶段单一的检测方法的有效性不高的问题,提出了基于决策边界敏感性和小波变换重构的对抗样本检测方法。利用了对抗样本与正常样本对模型决策边界的敏感性差异来进行检测,接着针对第一检测阶段中未检测出的对抗样本,本文利用小波变换对样本进行重构,利用样本去噪前后在模型中的预测值差异来进行检测。本文在两种调制信号数据集上进行了实验分析,并与基线检测方法进行对比,此方法更优。这一研究的创新点在于综合考虑了模型决策边界的敏感性和小波变换的重构能力,通过巧妙的组合,提出了一种更为全面、精准的对抗样本检测方法。这为深度学习在电磁信号领域的稳健应用提供了新的思路和方法。

融合信息扰动与特征解耦的单样本语音转换

单样本语音转换的特性是利用单条目标说话人的语音样本即可实现身份的转换,但由于声学特征呈现复杂的相互作用和动态变化,现有方法难以充分将单样本语音中的说话人音色与其他声学特征解耦,导致转换音频在听觉上仍与源说话人的音色特征相似,存在说话人音色泄露情况。为此提出一种融合信息扰动与特征解耦的单样本语音转换模型,即IPFD-VC模型。首先,引入信息扰动模块对语音信号进行三次扰动操作,去除输入内容和韵律编码器中的冗余信息;其次,将处理后的语音信号送入各编码器,并结合最小化互信息策略进一步解耦声学特征,降低不同特征与说话人音色特征的相关性;最后通过解码器及声码器输出转换音频。实验结果表明:IPFD-VC模型转换音频的语音自然度和说话人相似度分别达到3.72和3.68,与目前先进的UUVC模型相比,梅尔倒谱失真降低0.26 dB。该模型能够有效对声学特征进行解耦,捕获目标说话人音色特征,同时保持源语言内容和韵律变化,降低说话人音色泄露风险。

河北医科大学人脑组织库样本分析

目的通过分析河北医科大学人脑组织库样本基本情况,了解河北省人脑组织捐献现状,为后续科学研究提供基本数据支撑。方法对河北医科大学人脑组织库收集样本进行统计(2019年12月~2024年2月),分析性别、年龄、死亡原因等基本资料,以及死亡后取材时间、脑脊液pH值、RNA完整性等质量控制信息和神经病理学诊断结果等内容。结果截止到2024年2月,河北医科大学人脑组织库共收集保存人脑样本30例,男女比例9∶1,其中80岁以上者占53%,死亡原因为心脑血管疾病36.67%与神经系统疾病23.33%占比较高。脑组织捐献者归属地在石家庄市内的占90%,市外的占10%。死亡后取材延误时间较短,12 h以内的占90%,大于12 h占10%。RNA完整性(RIN)值>6的脑样本占69.23%。脑脊液pH 5.8~7.5,平均值6.60±0.45。成年人脑重906~1496 g,平均值(1210.78±197.84)g。检出3种载脂蛋白E(APOE)亚型、5种APOE基因型(ε2/ε3、ε2/ε4、ε3/ε3、ε3/ε4、ε4/ε4)。涉及神经病理学诊断相关染色11种,均已建立起系统化染色流程并使用。神经病理学诊断为神经退行性疾病样本共计12例(包括阿尔茨海默病、帕金森病、多系统萎缩、皮质基底节变性和进行性核上性麻痹等),占比40%,80岁以上脑样本共病率达100%。结论河北医科大学脑库脑组织捐献者的资料总结与统计学分析,可以反映河北省人脑组织库建设与运行的现状,也可以更有针对性地了解并识别可能捐献的群体,为脑库的建设提供参考,为科学研究使用提供更为可靠的材料和数据支持。

基于视觉-语言预训练模型的零样本迁移学习方法综述

近年来随着人工智能(AI)技术在计算机视觉与自然语言处理等单模态领域表现出愈发优异的性能,多模态学习的重要性和必要性逐渐展现出来,其中基于视觉-语言预训练模型的零样本迁移(ZST)方法得到了国内外研究者的广泛关注。得益于预训练模型强大的泛化性能,使用视觉-语言预训练模型不仅能提高零样本识别任务的准确率,而且能够解决部分传统方法无法解决的零样本下游任务问题。对基于视觉-语言预训练模型的ZST方法进行概述,首先介绍了零样本学习(FSL)的传统方法,并对其主要形式加以总结;然后阐述了基于视觉-语言预训练模型的ZST和FSL的区别及其可以解决的新任务;其次介绍了基于视觉-语言预训练模型的ZST方法在样本识别、目标检测、语义分割、跨模态生成等下游任务中的应用情况;最后对现有的基于视觉-语言预训练模型的ZST方法存在的问题进行分析并对未来的研究方向进行展望。

小样本元学习网络在海上船舶识别中的应用

为提高多场景环境下的海上船舶目标识别的准确率,提出了一种基于小样本元学习网络的海上船舶识别算法。首先,利用一组共享权重的卷积神经网络VGG-16和Swin Transformer网络将海上船舶图片映射到深度全局和局部特征空间,构造多尺度特征;然后,借助船舶图片的真实mask分离目标船只的前景和背景,并利用一种粗细结合的语义学习策略获取前景和背景区域中目标的类特定语义表示;最后,利用一种无参数的度量学习计算所学类特定语义表示与查询图片中目标映射特征之间的相似度,根据相似度值预测目标特征图对应的目标区域。通过在构建的远洋船舶数据集和开源数据集HRSC2016上进行测试,所提模型分别可以实现81.64%和78.93%的平均交并比(Mean Intersection over Union, mIoU),相比主流的海上船舶识别模型具有更好的性能。

结合特征融合与增强注意力的少样本目标检测

为了更充分地利用支持特征和查询特征中的关键信息,提出一种基于特征融合和增强注意力的少样本目标检测方法FFA-FSOD(Feature Fusion and enhanced Attention Few-Shot Object Detection)。首先引入迭代注意力特征融合(iAFF)模块,以有效融合支持图像和查询图像的关键特征;其次在iAFF模块后添加特征增强操作,充分利用支持特征信息对查询图像中的目标特征进行增强。为避免上述两次处理可能导致的查询图像特征部分细节信息的丢失,对iAFF模块中的多尺度通道注意力模块(MS-CAM)进行改进,以捕获更多的上下文信息。在MS COCO数据集上的实验结果表明,在2-way 10-shot条件下,与小样本目标检测(FSOD)方法相比,加入iAFF模块、特征增强操作并改进MS-CAM后,FFA-FSOD的平均精度均值(mAP)提升了8.0%。实验结果验证了所提特征融合增强方法充分关注到了特征中的细节信息,从而实现了更好的少样本目标检测效果。

药物临床试验中生物样本管理问题分析

目的对药物临床试验生物样本管理各环节存在的问题进行分析,并提出相应的处理措施,以保证临床试验的质量。方法从我院药物临床试验管理系统中下载2019年5月至2023年5月已上报伦理委员的违背方案报告,对其中的生物样本管理相关违背进行回顾性分析,包括违背的类型、数量、责任主体、常见违背方案类型在不同临床试验分期中的分布、新版《药物临床试验质量管理规范》(GCP)实施前后违背类型对比以及违背方案产生的影响。结果纳入304份违背方案报告共涉及生物样本相关违背76例次,最常见的违背方案类型为样本储存超温(22例次,占比28.95%)、采集超窗(14例次,占比18.42%)、离心时间超窗(8例次,占比10.53%)。结论通过完善生物样本质量管理体系、加强研究者GCP法规和方案培训,以提高研究者GCP意识及能力,产生高质量的生物样本、助力新药研发。

基于距离感知的金属缺陷样本标签分配算法

针对金属表面缺陷检测模型在训练过程中正负样本分配时不考虑金属表面缺陷的宽高比、对目标分布的定位能力差等问题,提出了距离感知的动态标签分配(DDA)算法。DDA不改变原有检测模型的结构也不增加计算开支,根据真实框的几何特性提出新的距离损失计算范式,以优化宽高比悬殊的回归问题,将迭代过程中的回归偏移量解码为预测框坐标,最后计算预测框、锚框和真实框三者之间综合交并比信息,动态地选择正负样本以提高训练精度。在武汉某钢厂冷轧带钢表面缺陷检测中进行了验证,并引入公开的热轧带钢表面缺陷数据集进行了泛化试验,检测效果均有显著改善,对金属表面质量规范有实际应用价值。

“z值评价-风险评估-技术核验”统计评价模型用于低样本量能力验证——以水质监测为例

为解决低样本量下的能力验证z比分数评价结果可能偏离参加者真实能力水平的问题,建立了“z值评价-风险评估-技术核验”统计评价模型,以“一带一路”共建国家“水中铁和氟化物的检测”国际能力验证项目为例进行了验证。结果显示:样本量为14家(低样本量)、指定值与样本真值相对误差的绝对值大于4%时,铁检测项目获得“满意”评价结果的14家参加者中,5家存在数据“不准确”中/高风险;氟化物检测项目获得“满意”评价结果的11家参加者中,7家存在数据“不准确”中/高风险。技术核验反映出的突出问题是参加者未按照检测方法的要求实施质量控制措施,标准曲线绘制、试剂配制、关键仪器参数设置记录缺失,原始记录可追溯性较差。由此证实了数据风险点的存在,同时也印证了该统计评价模型的可靠性和必要性。