基于特征损失的医学图像超分辨率重建

高分辨率的磁共振图像可以提供更加清晰的解剖图像,从而促进疾病的早期诊断。但是医疗成像系统的固有缺陷,使得高分辨率医学图像的获取面临许多问题,解决这类问题的方法之一就是使用超分辨率重建技术。针对医学图像超分辨率重建问题,设计一个前馈全连接卷积神经网络,网络包括五层卷积层和五个残差块,并且使用基于特征的损失函数,解决了使用均方误差损失函数不符合人视觉感的问题。该方法在网络内部实现图像4倍放大重建,避免了使用反卷积层上采样时出现的棋盘伪影。通过实验验证了方法的有效性,在视觉和数值结果上都有所提高。

基于多尺度特征损失函数的图像超分辨率重建

在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。

引入特征损失对CycleGAN的影响研究

在图像生成领域,传统的图像风格迁移需要在两个配对的图像间进行转换。循环一致性生成对抗网络(Cycle Generative Adversarial Network,CycleGAN)在2017年被提出后,凭借其可以针对非配对图像进行图像生成的特点取得了良好的效果,迅速成为图像生成领域的研究热点。然而经典的CycleGAN由于生成器无法准确识别图像的特定转换域和无关域,从而存在图像无关域特征随意变换的缺点,使得生成图像失真。针对以上问题,通过引入特征损失来约束生成器的特征识别,利用L1损失保证转换后的图像与原图像的像素级别对应,可以有效改善该问题,并使得生成图像更清晰。通过调整特征损失的比例超参数μ,进一步分析了选取不同μ值下的特征损失时,CycleGAN的各部分损失变化以及对生成图像的质量影响,最后给出了特征损失的比例超参数μ值的选取策略。

基于损失特征矩阵的CHB-BESS模块间接地故障诊断

模块间接地故障是H桥级联型电池储能系统(cascaded H bridge based battery energy storage system,CHB-BESS)的易发故障,快速诊断故障位置对减少故障损失至关重要。模块间接地故障的故障特征主要体现在零序电流上,会受到接地过渡电阻的影响。为实现接地过渡电阻不确定情况下,故障模块位置的快速准确鲁棒定位,本工作提出了一种基于损失特征矩阵的快速故障诊断方法。首先,本工作建立了零序等效电路模型;然后,将零序电流模型离散化;接着,提出基于损失特征矩阵的定位方法,该方法使用拓扑矩阵描述故障位置和过渡电阻的遍历信息,基于离散化模型来遍历计算零序电流,将计算结果与测量结果的偏差记录在损失特征矩阵中,通过偏差最优解确定故障位置;其次,本工作证实了故障定位问题作为最优化问题具有最优解唯一性,偏差最优解在接地过渡电阻不确定的情况下可获得准确的故障发生位置;最终,基于最优解唯一性提出了最优化计算的加速方法。实测表明,所提方法的平均定位误差仅为0.2个子模块,在接地过渡电阻较大范围不确定的情况下实现了准确定位,并且所提加速方法显著提高诊断速度。

基于特征级损失和可学习噪声的医学图像域泛化方法

在医学图像分割任务中,域偏移问题会影响训练好的分割模型在未见域的性能,因此,提高模型泛化性对于医学图像智能模型的实际应用至关重要。表示学习是目前解决域泛化问题的主流方法之一,大多使用图像级损失和一致性损失来监督图像生成,但是对医学图像微小形态特征的偏差不够敏感,会导致生成图像边缘不清晰,影响模型后续学习。为了提高模型的泛化性,提出一种半监督的基于特征级损失和可学习噪声的医学图像域泛化分割模型FLLN-DG,首先引入特征级损失改善生成图像边界不清晰的问题,其次引入可学习噪声组件,进一步增加数据多样性,提升模型泛化性。与基线模型相比,FLLN-DG在未见域的性能提升2%~4%,证明了特征级损失和可学习噪声组件的有效性,与nnUNet、SDNet+AUG、LDDG、SAML、Meta等典型域泛化模型相比,FLLN-DG也表现出更优越的性能。

联合归一化模块和多分支特征的行人重识别

针对行人重识别技术中存在特征挖掘不充分的问题,提出一种联合归一化模块和多分支特征的行人重识别模型。在主干网络中嵌入注意力机制引导的实例归一化模块,减轻背景等杂波信息的影响。在双级特征融合模块对局部特征进行加权后再聚合形成对行人特征的更细节表达。联合平滑交叉熵损失、三元组损失以及跨分支特征蒸馏损失对网络进行优化。所提模型在Market-1501和DukeMTMC-ReID数据集上首位准确率分别达到了95.7%和89.2%。实验结果表明,该模型增强了对图像特征的提取。

2022年贵州省自然灾害灾情时空特征分析

本文基于贵州省2022年年度灾情数据,采用自然断点(Natural Breaks)空间数据分类分级方法加权标准化灾情指数(Weighted Standardized Disaster Index,WSDI),基于加权标准化灾情指数和4个维度指数对贵州省受灾情况进行了分类分级,并对贵州省自然灾害分布和变化趋势情况进行了分析。从空间分布来看,贵州省2022年自然灾害分布总体呈北部重、中部轻的规律;从灾害类型来看,洪涝、干旱两种灾害影响最为严重;从灾害时间分布来看,6、7两月灾情最重。

黄淮海平原旱田氮素损失特征及其环境影响研究

利用N素平衡参数和统计数据计算黄淮海平原地区主要农作系统冬小麦田和夏玉米田N素损失特征及其环境影响研究结果表明,1992～1998年随N肥用量的增加,每公顷农田N肥总损失量及氨挥发、硝化-反硝化、淋洗与径流等损失量呈逐年递增趋势,且不同N肥利用率、土壤残留率和损失率不同,同一N肥在不同农作系统中利用率、土壤残留率及损失率亦不同,夏玉米田N肥损失率高于冬小麦田.并探讨了N肥损失的环境影响及主要技术对策.

软土堤岸支护锚索预应力损失特征研究

预应力锚索已广泛应用于岩土支护工程中,但对于其在锚固后的预应力损失问题研究较少,特别是对软土中锚索张拉锁定后及后续工况影响下的预应力损失研究更鲜有报道。通过现场试验对软土堤岸支护工程中锚索预应力变化进行全程监测,研究与对比分析了锚索在张拉锁定、土体开挖和土体堆载后的预应力损失特征。结果表明,土体蠕变与钢绞线松弛是引起软土中锚索预应力损失的主要原因;锚索在锁定后30天预应力损失趋于稳定,预应力损失为10.5%;后续工况中的土体开挖与土体堆载对预应力锚索的影响作用相当于对张拉锁定后的锚索预应力损失进行荷载补偿张拉,经荷载补偿张拉后,锚索预应力初始值越大,预应力损失量越小。

基于对比阈值的大数据流特征量最优挖掘算法

针对因大数据流基数大、特征难提取导致的闭合模式下数据挖掘效率低、质量差的问题,提出一种基于知识图谱的大数据流闭合模式挖掘算法。结合闭合模式下大数据流的实体-关系-实体关系,通过迁移学习算法构建特征提取器,采集在该模式下不同特征数的输出标签,计算不同标签数据经过一次输出的特征损失量,以此作为损失函数的初始输入值,即为挖掘算法的初始参照。将大数据流在闭合模式下的标准元素作为挖掘目标,按照数据特征量大小建立状态序列,查找挖掘目标与序列中元素的相关性大小和对比阈值,结合目标点的映射关系得到最佳挖掘量,完成有效挖掘。实验结果表明,所提方法的挖掘精准度较高,耗用时间少,具备一定的实用价值。

不同起火物的火灾机率和损失特征与气象背景的关系

对南京市 1 991～ 1 996年期间的火灾资料 ,分类型分析了它们的发生机率和平均损失量的统计特征与气象背景特征之间的相关关系 。

西部浅埋煤层开采顶板含水层水量损失动力学过程特征

受保护含水层水量损失的定量计算是"保水采煤"理论发展目前面临的瓶颈问题。利用覆岩破坏数值模拟方法,将陕北榆神矿区典型覆岩结构下煤层开采顶板水量损失过程划分成单一风化基岩失水和萨拉乌苏组、风化基岩复合失水模式;基于系统动力学理论,构建了2种水量损失模式动力系统模型,建立了实际疏放与无疏放状态水量损失过程之间的数学关系,求解了水量损失动力系统模型参数,确定了水量损失峰值及发生位置、水量损失动态平衡值及发生位置;通过开采扰动区水流数值模拟,计算了2种模式单位走向长度水量损失强度。结果表明:覆岩组合特征控制着煤层采动含水层动、静储量叠加释放过程,决定了工作面采动顶板水量损失模式; 2种水量损失模式相比,复合模式下水量损失峰值和动态平衡值均较大;钻孔疏放水显著削减了推采过程水量损失峰值强度,改变了水量损失方式和时机,但采动过程水量损失动态平衡值及顶板水资源损失总量并未发生变化;两种模式下工作面采动,水资源损失总量以及水资源损失强度中松散层和风化基岩水占比计算结果,揭示了古近系黏土隔水层对于萨拉乌苏组潜水保护的重要意义。研究结果为"保水采煤"理论在工作面尺度含水层水量损失及保护的定量计算提供了新思路。

复杂环境下多模态特征融合的疲劳驾驶检测

为了避免因疲劳驾驶而导致交通事故的发生,维护城市道路交通和驾乘人员生命安全,该项目针对传统疲劳驾驶检测方法存在着精度低、参数复杂、泛化能力差等核心问题,采用MTCNN模型和基于红外的rPPG等理论,在光照变化、部分遮挡和头部偏转等复杂行车环境下精确提取驾驶员面部与生理信息;同时在深层挖掘多模态的特定疲劳信息后,结合多损失重构(MLR)的特征融合模块利用各模态间的互补信息,避免了单模态检测方法存在的局限性,进一步构建了多模态特征融合模型,增强模型的准确性与鲁棒性;最后考虑到疲劳的时序性,基于Bi-LSTM模型建立了疲劳驾驶检测模块。在自制数据集FAHD上展开实验,证明了红外生理特征提取模型的可靠性,多模态特征输入的有效性,同时与现有融合方法相比,本文方法融合后的预测结果与疲劳标定值间的相关系数提高了5.6%,均方根误差减少25%,疲劳检测系统准确率达到了96.7%,在推动智慧交通发展的同时对维护交通安全也有较好的积极意义。

基于特征聚类对群三元组损失的车辆再识别

车辆再识别旨在从多个摄像机拍摄的图像中识别出同一车辆.本文提出了一种对群三元组损失函数,以特征中心点替代均值,并将对群思想和三元组损失相结合,优化了困难样本的识别.车辆再识别过程中,对群损失函数的训练过程扩大了样本规模,增加了计算量,且传统对群损失函数无法准确处理困难正样本.为此,提出了一种特征聚类对群三元组损失函数.本方法采用正样本特征聚类中心并改进了三元组损失函数的设计,从而优化了对群损失函数.在不扩增输入样本数量的同时提升了算法处理困难样本的能力.实验表明,与主流车辆再识别算法相比,本方法可有效提升车辆再识别的准确率.

基于多线型特征增强网络的架空输电线检测

针对架空输电线可见光图像中环境背景复杂、电力线像素占比小,导致电力线检测精度低、断点率高的问题,提出具有强化线型特征提取和减少断点能力的多线型特征增强网络(MLED).利用双路残差框架提取线型电力线目标的主干和边缘特征,通过多特征融合模块,在不同尺度的层次上实现主干、边缘和高层特征的深度整合,输出检测结果.在多特征融合模块中嵌入残差、反卷积、多尺度结合等多路运算.实验结果表明,MLED的检测能力较PSPNet、FCRN、UNet有明显提高,多特征融合模块优于传统的残差连接块,可视化结果的F检验(F-Measure)、IoU平均值(Mean IoU)分别为78.4%、77.8%,断点率为30.8%.

基于分段损失的生成对抗网络

生成对抗网络(GAN)在训练过程中未能有效进行生成器与鉴别器间的同步更新,导致模型训练不稳定并出现模式崩溃的现象。为此,提出一种基于分段损失的生成对抗网络PL-GAN。生成器在不同的训练时期采用不同形式的损失函数,同时引入真实样本与生成样本之间的特征级损失,从而使鉴别器提取的特征更具有鲁棒性。MNIST和CIFAR-10数据集上的实验结果表明,与regular GAN、feature-wise GAN相比,PL-GAN具有更高的分类精度与运行效率。

基于高表征能力特征处理模块的小目标检测

针对小目标检测性能较差的问题,从影响性能的关键因素特征信息损失入手,设计一种特征信息处理模块CHRNet。结合HRNet高分辨率表征和CARAFE精细化上采样的特点,随着特征处理进程,设计不同的特征图融合方法,采用越来越有效的上采样方法,在保持一定计算效率的条件下最大化CHRNet的表征能力。针对突出的样本不平衡对损失函数进行调整,设计适合小目标的Anchor。在MOCOD和VEDAI两个数据集上进行实验,实验结果表明,采用CHRNet的检测网络减少了特征信息的损失,提高了网络的表征能力,使COCO标准下的检测精度提升约4.5个百分点,其中CHRNet带来约3.8个百分点的提升。

一种特征自我保留的弱光图像增强方法

现有的多数图像增强方法通常整体增强亮度通道,会导致过度增强、细节丢失及颜色失真等问题。为克服这些问题,提出一种基于生成式对抗网络(Generative Adversarial Networks,GAN)和特征自我保留的弱光图像增强方法SFPGAN。首先从颜色、亮度及纹理3个方向评判生成图像的真实性,其次引入特征自我保留损失以保留原始图像的特征,最后使用含有一定量正常亮度和过度曝光的图像训练模型使模型获得较强的鲁棒性。大量实验证明,提出的方法在视觉质量和客观指标上都优于其他方法,并且更适应真实的图像。

我国金融机构操作风险的特征分析与防控——基于1987—2012年媒体公开报道事件数据

操作风险涵盖的细分风险类别很广,其中就包含有会直接导致金融机构倒闭的低频高危型风险。因此,如何精确估算出金融机构为操作风险所应预留的经济资本额是学界和业界共同关注的问题。该问题的解决依赖于大量的内外部数据相结合,内部数据可由金融机构自我统计,但来自媒体公开报道的外部数据不足却一直是操作风险研究人员的一大困扰。为增加我国金融机构操作风险的外部数据样本,本文在总结操作风险特征的基础上规范了外部数据的搜集准则,并根据这套准则整理出了3336条发生于1987—2012年间的操作风险事件。利用该数据库,本文不仅分地区、分机构性质和机构级别测算了操作风险损失的次数和强度,还对中外操作风险损失各自的特征进行了比较。结果表明:我国金融机构的操作风险多发于经济发达地区、基层金融企业、管理相对薄弱的机构以及组织架构复杂的大型商业银行,对此需要加强防控。

一种自我正则映射的弱光图像增强方法

现有的基于学习的弱光图像增强方法中,大多数是以成对的数据训练模型,虽然它们取得了很好的效果,但在没有成对训练集的情况下就失去了原本的优势,而且在实际中,在同一个场景几乎不可能获取同一个视角的两种不同亮度的图像,从而无法完全以成对数据训练模型。因此,为避免使用成对数据,使模型域自适应能力更强,本文基于生成对抗网络提出了一种无监督的自我正则映射的弱光图像增强方法(称之为SAMGAN)。该方法不仅利用原始图像的照明信息作为自我正则映射和灰度图实现对其增强,同时使用特征自我保留损失方法保留原始图像的特征和内容。它不仅可以在没有弱光/正常亮度图像对的情况下训练,还可以很好地推广到各种实际的测试集中。大量实验证明,本文方法在图像视觉质量和客观指标上都优于现行很多的方法。