锥束CT混合检测样本建模与投影仿真

根据锥束CT仿真原理,设计了仿真系统的功能结构和数据模型,提出并实现了混合检测样本的建模方法和装配技术,在此基础上研究了射线与混合检测样本求交的一般算法,并给出了一个验证实例。实验结果表明,该锥束CT仿真系统具备对多零件、多材质、多类型的混合检测样本进行投影仿真的能力,可以满足面向复杂工业零部件的锥束CT仿真需求。

对临床检测样本进行严格免疫检验质量控制的效果探究

目的分析对临床检测样本进行严格免疫检验质量控制的效果。方法选取我院收治的200例免疫检验患者作为调查对象,通过回顾分析法,将100例患者作为对照组,100例为观察组。对照组主要进行常规免疫检验质量控制,观察组进行严格免疫检验质量控制,通过检验结果分别对两组患者进行对症治疗,从而观察两组患者的治疗效果。结果对照组显效40例,有效51例,无效9例,总有效率为91%,观察组显效60例,有效39例,无效1例,总有效率为99%,经比较,观察组患者治疗后的效果明显要比对照组好,两组患者的比较差异,P<0.05,具有统计学意义。结论对临床检测样本采用严格免疫检验质量控制,不仅可以提高数据检测的准确性,确保诊断结果的正确性,对临床治疗具有较高的临床价值,值得推广使用。

全自动生化分析仪检测样本溶血对检验结果的影响

目的探讨全自动生化分析仪检测样本溶血对检验结果的影响。方法选取2017年9月至2019年12月于医院行健康检查的60名体检人员的血液样本作为研究对象,所有体检人员均非疾病原因采血,且每人均需抽取两试管血液样本,2 ml/管。随机选取每人两管血液样本中的其中一管作为对照组,另一管则为试验组。对照组无需作溶血处理,试验组使用离心机予以溶血,并使用玻璃棒剧烈搅拌,比较两组各生化指标的检验结果。结果试验组总蛋白、肌酸激酶、天门冬氨酸氨基转移酶、钠、钾、乳酸脱氢酶、肌酸激酶同工酶水平均高于对照组,差异有统计学意义(P<0.05);两组清蛋白、三酰甘油、高密度脂蛋白水平比较,差异无统计学意义(P>0.05)。结论溶血对各生化检验项目会产生不同程度的影响,医务人员须确保采血的严格性及规范性,以有效避免样本溶血状况的发生,进而提高检验准确度。

分析临床检测样本进行严格免疫检验质量控制的临床效果

目的：观察分析临床检测样本进行严格免疫检验质量控制的临床效果.方法：选取我院2012年3月-2014年3月收治的进行免疫检验的100例患者为研究对象,随机分为对照组与观察组,各50例.对照组给予常规免疫检验质量控制,观察组患者给予严格的临床免疫检验质量控制,后以检验结果分别对两组患者采用治疗对策,比较分析两组患者的临床疗效、不良反应及满意度.结果：观察组患者的治疗总有效率、不良反应发生率及满意度均显著优于对照组,（P〈0.05）差异具有统计学意义.结论：对临床检测样本采用严格免疫检验质量控制可有效提高患者治疗效果,具有重要临床意义.

浅析临床检测样本进行严格免疫检验质量控制的效果

目的探讨分析对临床检测样本展开,进一步对其进行严格免疫检验质量控制后检验结果的准确性。方法选择80例患者的临床检测样本作为研究对象,对不同组样本采用不同的检验方法,观察检测结果的准确性。结果研究组的总有效率98%高于对照组的75%,P<0.05,差异具有统计学意义。结论在对检测样本进行检测的过程中,采用严格的免疫检验质量控制方法可以有效的提高检测结果的准确性。

对临床检测样本进行严格免疫检验质量控制的效果分析

目的:分析对临床检测样本进行严格免疫检验质量控制的应用效果,分析其临床应用价值。方法:选取2015年1月-2016年1月期间我院收治的需要进行各类免疫检验的患者85例作为研究对象,随机分为实验组和对照组,对照组患者的检测样本进行常规免疫检验质量控制,实验组患者的检测样本进行严格的临床免疫检验质量控制。根据两组患者的检测结果进行对症治疗,观察并对比两组患者的应用效果及满意度,分析对检测样本进行严格免疫检验质量控制的应用价值。结果:实验组患者的临床总有效率为97.8%,对照组患者的临床总有效率为87.5%,两组患者的临床总有效率比较,差异具有统计学意义(P<0.05)。实验组患者的满意度为100.0%,对照组患者的满意度为87.5%,两组患者的满意度比较,差异具有统计学意义(P<0.05)。结论:对临床检测样本进行严格免疫检验质量控制的效果显著,具有一定的临床应用价值。

凝胶状血清检测样本的预防及处理方法

近几年,随着重大动物疫病发生与流行的复杂态势,各级动物疫病防控部门采样监测任务也日益繁重。血清学检测作为开展免疫效果评价、疫情预警、疫病诊断和净化的一种有效途径变得越来越重要。在血清学检测过程中,经常会碰到血清呈凝胶状,无法开展正常检测,也就无从为免疫效果评价、疫情预警、疫病诊断和净化提供有效信息,因此凝胶状血清的预防及处理相当重要。

瘦肉精常见检测样本及检测方法

现代社会物质生活越来越丰裕,伴随着人民对美好生活的追求,低脂类的食品越来越受大众的喜爱,这就导致精瘦肉的市场价格上涨。一些不法人员为了谋取私利,在养殖过程中违法加入了瘦肉精,从而促进家畜的瘦肉快速生长,严重威胁着人们的健康。因此,一个高效快速的瘦肉精检测方法显得尤为重要。本文通过具体分析瘦肉精的危害,以生猪为例,探究了其常见检测样本的采集,进而提出几点常用的瘦肉精检测方法,以供业内专业人士借鉴及参考。

非瘟检测样本比较:口鼻拭子、口腔液和鼻肛拭子

关于非洲猪瘟早期诊断的样本选择,笔者早就认为:鼻拭子比血液、血清在敏感性和实验精度方面占优势;鼻拭子/口腔液比血液/血清能更早的被监测出非瘟抗原;当时未知鼻拭子与口腔液的优劣,得到的反馈倾向于口腔液+更适合作为早期监测样本。

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。

谛听:面向鲁棒分布外样本检测的半监督对抗训练方法

检测训练集分布之外的分布外(out-of-distribution,OOD)样本对于深度神经网络(deep neural network,DNN)分类器在开放环境的部署至关重要.检测OOD样本可以视为一种二分类问题,即把输入样本分类为“分布内(in-distribution,ID)”类或“分布外”类.进一步地,检测器自身还可能遭受到恶意的对抗攻击而被再次绕过.这些带有恶意扰动的OOD样本称为对抗OOD样本.构建鲁棒的OOD检测器以检测对抗OOD样本是一项更具挑战性的任务.为习得可分离且对恶意扰动鲁棒的表示,现有方法往往利用辅助的干净OOD样本邻域内的对抗OOD样本来训练DNN.然而,由于辅助的OOD训练集与原ID训练集的分布差异,训练对抗OOD样本无法足够有效地使分布内决策边界对对抗扰动真正鲁棒.从ID样本的邻域内生成的对抗ID样本拥有与原ID样本近乎一样的语义信息,是一种离分布内区域更近的OOD样本,对提升分布内边界对对抗扰动的鲁棒性很有效.基于此,提出一种半监督的对抗训练方法——谛听,来构建鲁棒的OOD检测器,用以同时检测干净OOD样本和对抗OOD样本.谛听将对抗ID样本视为一种辅助的“近OOD”样本,并将其与其他辅助的干净OOD样本和对抗OOD样本联合训练DNN,以提升OOD检测的鲁棒性.实验结果表明,谛听在检测由强攻击生成的对抗OOD样本上具有显著的优势,同时在原分类主任务及检测干净OOD样本上保持先进的性能.

图像对抗样本检测综述

深度神经网络是人工智能领域的一项重要技术,它被广泛应用于各种图像分类任务.但是,现有的研究表明深度神经网络存在安全漏洞,容易受到对抗样本的攻击,而目前并没有研究针对图像对抗样本检测进行体系化分析.为了提高深度神经网络的安全性,针对现有的研究工作,全面地介绍图像分类领域的对抗样本检测方法.首先根据检测器的构建方式将检测方法分为有监督检测与无监督检测,然后根据其检测原理进行子类划分.最后总结对抗样本检测领域存在的问题,在泛化性和轻量化等方面提出建议与展望,旨在为人工智能安全研究提供帮助.

基于FRL-Net的高鲁棒性多尺度小样本轨道入侵异物检测方法研究

针对轨道入侵异物严重威胁行车安全,而基于广义深度学习的目标检测方法无法打破大数据驱动的训练壁垒、小样本目标检测方法在复杂轨道环境中对多尺度入侵异物检测能力差、鲁棒性低等问题,本文提出了一种高鲁棒性多尺度小样本轨道入侵异物检测模型。该模型采用元学习策略,通过多尺度小样本入侵异物特征提取模块增强模型对于不同尺度小样本异物特征的表达能力。使用轨道入侵异物元特征精准重加权模块对小样本异物的元特征进行精准优化。提出小样本轨道入侵异物检测优化模块进一步提升模型的检测性能。实验结果表明,该模型在7-way 30-shot的小样本轨道异物检测任务中的平均检测精度为81.8%,比FSRW高3.2%,更适合在实际轨道环境中检测多尺度小样本入侵异物。

融合多尺度和注意力机制的小样本目标检测

现有基于微调的二阶段小样本目标检测方法对新类特征不敏感,易将新类别误判成与它相似度高的基类,影响模型的检测性能。针对上述问题,提出一种融合多尺度和注意力机制的小样本目标检测(MA-FSOD)算法。首先在骨干网络使用分组卷积和大卷积核提取更具类别区分性的特征,并加入卷积注意力模块(CBAM)实现特征的自适应增强;再通过改进的金字塔网络实现多尺度的特征融合,使候选框生成网络(RPN)可以准确找到感兴趣区域(RoI),从多个尺度向分类头提供更丰富的高质量正样本;最后在微调阶段采用余弦分类头进行分类,降低类内方差。在PASCAL-VOC 2007/2012数据集上与基于候选框编码对比损失的小样本目标检测(FSCE)算法相比,MA-FSOD算法对新类的AP_(50)提升了5.6个百分点;在更具挑战性的MSCOCO数据集中,与Meta-Faster-RCNN相比,10-shot和30-shot对应的AP则分别提升了0.1个百分点和1.6个百分点。实验结果表明,相较于一些主流的小样本目标检测算法,MA-FSOD算法能更有效地缓解误分类问题,实现更高精度的小样本目标检测。

基于特征重加权的小样本遥感图像目标检测算法

针对遥感图像具有目标尺度多变、目标模糊、背景复杂的特点,提出了一种基于特征重加权的遥感小样本目标检测算法RE-FSOD;该模型包括3部分:元特征提取器、特征重加权提取器、预测模块,其中元特征提取器由CSPDarknet-53、FPN以及PAN构成,负责提取数据的元特征;特征重加权提取器用于生成特征重加权向量,用于调整元特征来强化对于检测新类有帮助的特征;预测模块由YOLOv3的预测模块构成,在此基础上将定位损失函数替换为CIOU损失函数,提升模型的定位精度;最后在NWPU VHR-10遥感数据集上进行了训练和测试,实验结果表明,该方法相较于基线方法FSODM的在3-shot、5-shot、10-shot情况下分别提升了约19%、11%、8%。

基于多模态联合语义感知的零样本目标检测

零样本目标检测借助语义嵌入作为引导信息,将未见过的物体的视觉特征与类别语义嵌入映射到同一空间,根据其在映射空间的距离进行分类,但由于语义信息获取的单一性,视觉信息缺乏可靠表示,易混淆背景信息和未见过对象信息,使得视觉和语义之间很难无差别对齐。基于此,借助视觉上下文模块捕捉视觉特征的上下文信息,并通过语义优化模块对文本上下文和视觉上下文信息进行交互融合,增加视觉表达的多样化,使模型感知到前景的辨别性语义,从而有效地实现零样本目标检测。在MS-COCO的2个划分数据集上进行实验,在零样本目标检测和广义零样本目标检测的准确率和召回率上取得了提升,结果证明了所提方法的有效性。

基于背景抑制和分类校正的小样本目标检测方法

为进一步提升小样本条件下对空中来袭目标的检测识别成功率,提出一种基于背景抑制和分类校正的小样本目标检测方法。首先,针对空中来袭目标背景前景易混淆问题,在区域候选网络前端引入背景抑制模块,通过抑制背景特征和增强前景特征来减轻目标背景对检测的影响;其次,在背景抑制模块后插入特征聚合模块,聚焦目标特征,通过缓解小样本条件导致目标特征难提取、不明显的问题,校正网络模型的分类参数;最后,在检测头网络中引入对比分支,增强了类别内相似性和类别间独特性,缓解来袭目标“类间相似性高,类内差异性大”的问题,实现了对网络分类的进一步校正。实验结果表明,所提出的算法在1、2、3、5、10 shot实验中均表现最佳,平均精度分别达到28.3%、32.8%、39.9%、42.9%和56.2%,提升了小样本空中来袭目标的检测性能。

基于特征加权与融合的小样本遥感目标检测

基于深度卷积神经网络的目标检测器需要大量标注样本展开训练,针对训练样本数量不足导致目标检测器泛化能力较差的问题,基于元特征调制提出一种特征加权与融合的小样本遥感目标检测方法。首先,在元特征提取网络中嵌入瓶颈结构式特征学习模块C3,增加网络深度和感受野;其次,利用路径聚合网络(PAN)进行元特征融合,有效提升了网络对多尺度遥感目标的感知能力;最后,使用轻量级卷积神经网络学习原型向量以加权元特征,在轻量化模型的同时,利用模型已有知识快速微调模型,以适应对新类目标的检测。实验结果显示,在NWPU VHR-10和DIOR数据集上,该方法相比于FSODM方法,在新类对象上的平均检测精度分别提高了29.40%和11.78%。可视化结果表明,该方法在小样本遥感目标检测上效果更优。

基于深度学习的无线电信号对抗样本检测研究

针对无线电信号的攻击愈来愈频繁的情况,本文在数据流形理论基础上,使用深度神经网络(DNN)检测无线电信号对抗样本及其攻击方法。首先使用5种不同攻击方法对无线电信号进行攻击产生对抗样本,其次使用3种不同的神经网络检测对抗样本,最后用残差神经网络(ResNet)检测对抗样本的攻击方法。在信噪比(SNR)为30 d B和20 dB的无线电信号数据上的实验结果表明,本文所使用的残差神经网络检测精度接近100%,在信噪比为10 dB的无线电信号数据上的检测精度仍然在90%以上。结果表明本文所用的残差神经网络能有效检测无线电信号的对抗样本及其攻击方法。

结合多尺度上下文信息的唐卡小样本目标检测

通过对图像中感兴趣的对象进行分类与定位,能够帮助人们理解唐卡图像丰富的语义信息,促进文化传承。针对唐卡图像样本较少,背景复杂,检测目标存在遮挡,检测精度不高等问题,本文提出了一种结合多尺度上下文信息和双注意力引导的唐卡小样本目标检测算法。首先,构建了一个新的多尺度特征金字塔,学习唐卡图像的多层级特征和上下文信息,提高模型对多尺度目标的判别能力。其次,在特征金字塔末端加入双注意力引导模块,提升模型对关键特征的表征能力,同时降低噪声的影响。最后利用Rank&Sort Loss替换交叉熵分类损失,简化模型训练的复杂度并提升检测精度。实验结果表明,所提出的方法在唐卡数据集和COCO数据集上的10-shot实验中,平均检测精度分别达到了19.7%和11.2%。