基于目标监督的先验形状level set模型分割心脏MR图像

提出一种基于目标监督的先验形状level set模型分割心脏MR图像的方法。该方法先根据目标灰度的特征生成特征图像,使得特征图像目标区域灰度趋于一致,再在特征图像的基础上利用先验形状信息的水平集模型对目标进行分割。实验结果表明,该方法能够有效地分割心脏MRI图像。

基于改进Dense Teacher的半监督目标检测算法

在深度学习目标检测领域中,标注数据的复杂性对半监督目标检测技术的发展起到了推动作用。近期,无锚框目标检测器在半监督目标检测中的应用逐渐增多。然而,现有方法仍面临特征表达不足和伪标签质量参差不齐的挑战。为解决这一问题,该文提出了一种基于优化Dense Teacher的半监督目标检测算法。首先,通过设计通道信息增强的特征金字塔(CIE-FPN),优化了特征图的感受野和特征融合,旨在捕获更丰富的全局特征信息。其次,采用伪标签双分支处理策略,以解决分类与检测任务在伪标签需求上的不一致性,从而提高伪标签的可靠性。实验结果表明,在COCO数据集仅使用10%有标注数据的条件下,与基线网络Dense Teacher相比,提出的改进算法在提升无锚框半监督目标检测性能方面取得了明显效果。

基于跨空间多尺度的弱监督有向目标检测算法研究

针对当前基于旋转框标注的传统有向目标检测算法对遥感场景下的有向目标检测存在复杂度高、标注成本大等问题,提出了一种基于跨空间多尺度的弱监督有向目标检测算法LSK-EFPN,该算法可利用水平框标注信息推断目标的旋转框信息,实现了复杂遥感场景下的有向目标检测。为提升网络检测能力,该算法采用LSKNet网络提取输入图像先验背景特征,并添加跨空间多尺度注意力模块捕捉跨空间的特征区域,最后使用CIoU作为尺度约束损失函数来对一致性损失进行重构。实验结果表明,LSK-EFPN在遥感场景DIOR数据集上的平均准确率达到61.7%,相对于H2RBox算法提升了4.7%,为基于水平框标注的有向目标检测场景提供了新的技术解决方案。

党和国家监督体系:对象、目标及其实现路径

健全党和国家监督体系是党在长期执政条件下实现自我净化、自我完善、自我革新、自我提高的重要制度保障。党和国家监督体系是以公权力作为监督的对象,即实现对党和国家组织机构及其工作人员的监督。监督目标应分解为两个层级,一是任何权力都能置于监督之下的基本目标,二是能够实现良好监督效果的高等目标。从我国监督实践来看,监督工作已取得重要进展,但从整体上看基本目标尚未完全实现。亟须破解"一把手"和同级监督难题,尤其是要解决顶层权力、监督者监督难题。同时,需要经由相应的路径建构与创新来实现权力监督的高等目标,用更加积极稳健的姿态推进民主和法治化建设进程,持续深化政治体制改革,强化纪委、监委的监督效能,形成具有中国特色的权力制约和监督体系。

基于特征增强和损失优化的弱监督目标检测算法

针对弱监督目标检测中只能检测出图像中最具有辨别性部分和训练过程极易陷入局部最优问题,提出了一种特征增强和损失优化的弱监督目标检测算法。该算法设计了一种高效可选择通道注意力模块,该模块通过关联通道的选择来提高其局部信息的交互能力,以此来扩大最具辨别性的示例目标区域;此外,通过对网络回归损失函数施加针对性的动态权重,使其能够自动弱化回归分支中伪标注边界框不准确性的影响,提高目标定位的精度。在PASCAL VOC 2007及PASCAL VOC 2012数据集上的实验表明,相比其他同类算法,该算法能够有效地提高弱监督目标检测的精度。同时,由于该算法引入的额外训练参数和计算负担几乎可以忽略不计,因此还具有良好的高效性。

特征融合与分割引导的弱监督目标检测

基于卷积神经网络(CNNs)的区域建议生成方法(PRN)是通过实例级注释进行训练所得,也是当前全监督目标检测(FSOD)的重要组成部分。由于实例级注释耗时耗力,而图像级注释相比之下更容易收集,因此仅使用图像级注释的弱监督目标检测(WSOD)引起了众多研究者的关注。当前,WSOD依赖于诸如选择性搜索之类标准的区域建议生成方法,这些方法容易生成大量有噪的建议框,导致其存在无法拟合真实的目标对象。鉴于此,基于卷积特征多层融合以及分割引导策略获取高质量建议框,具体而言,利用卷积网络深层信息进行多层融合,以及边缘信息获取初始的候选建议框,然后通过弱监督语义分割的一致性准则,将分割映射分为水平和垂直两个变量得到目标一致性表示,从而提取高质量的建议框。在PASCAI VOC2007数据集上的实验结果表明,该方法在分类和定位检测中展现了优秀的性能,平均精度(mAP)和定位精度(CorLoc)准确率分别达51.0%、71.2%。

基于双注意力擦除和注意力信息聚合的弱监督目标检测

现有的弱监督检测方法主要采用多示例检测网络,但在这些方法中应用分类特征提取网络易使目标尤其是非刚性目标的检测结果收敛到目标最显著局部区域。提出一种基于双注意力擦除和注意力信息聚合的端到端的弱监督检测框架DAENet。双注意力擦除模块的目的在于擦除生成的最显著性局部前景区域和部分背景区域,以此来扩展目标显著性区域,使网络能够尽可能地关注目标整体,从而更好地捕获目标整体区域。此外,为准确定位不同目标区域并精确生成注意力擦除掩码,提出注意力信息聚合模块,该模块可提取通道的全局特征和局部特征,并引入空间依赖性进一步提高检测精度。通过将双注意力擦除和注意力信息聚合进行协同工作,从而更好地提高弱监督检测性能。在PASCAL VOC 2007和VOC 2012数据集上的实验结果表明,DAENet框架在两个数据集上的检测精度分别达到50.5%和47.4%,相比基准模型,在部分非刚性目标上的检测精度提高了约5%~20%。

基于注意力机制及类别层次结构的弱监督目标定位

弱监督目标定位是指仅利用图像级的类别标注信息来训练目标定位器,而不需要使用精确的目标位置标注信息来进行算法训练.当前的一些方法往往只能定位出目标对象中最具鉴别性的部分而无法准确地标识出完整的目标对象,或者易受背景无关信息干扰从而导致定位结果不精确.为了解决上述问题,提出一种基于注意力机制和类别层次结构的弱监督目标定位方法.该方法通过对卷积神经网络的注意力图进行均值分割提取更完整的目标区域.进一步,通过类别层次结构网络实现对背景区域注意力的削弱,从而提高对感兴趣目标的定位精度.基于多个网络结构和公共数据集上的大量实验结果表明,相比目前已有的弱监督定位方法,所提方法在多个评价指标下均能够获得更好的定位效果.

基于序贯三支决策的半监督目标检测算法

深度学习对大规模数据的需求以及目标检测标注任务的复杂性促进了半监督目标检测任务的发展。近年来,半监督目标检测已经取得了很多优秀的成果。然而,伪标签中的不确定性依然是半监督目标检测研究中难以避免的问题,优越的半监督方法要求选取合适的过滤阈值来权衡伪标签的噪声信息比例和召回率,以最大程度保留准确有效的伪标签。为了解决此问题,在半监督检测的框架中引入了序贯三支决策算法,将模型输出的伪标签根据不同的筛选阈值划分为干净的前景标签、有噪声的前景标签,以及干净的背景标签,并对其采取不同的处理策略。对有噪声的前景标签采用负类学习损失来学习这些存在噪声的标签,避免学习到其中的噪声信息。实验结果表明了所提算法的性能优势,针对COCO数据集,在有监督数据占比只有10%的情况下,该方法实现了35.2%的检测精度,相比仅依靠有监督训练性能提升了11.34%。

基于运动引导的高效无监督视频目标分割网络

大量基于深度学习的无监督视频目标分割(Unsupervised video object segmentation,UVOS)算法存在模型参数量与计算量较大的问题,这显著限制了算法在实际中的应用.提出了基于运动引导的视频目标分割网络,在大幅降低模型参数量与计算量的同时,提升视频目标分割性能.整个模型由双流网络、运动引导模块、多尺度渐进融合模块三部分组成.具体地,首先,RGB图像与光流估计输入双流网络提取物体外观特征与运动特征;然后,运动引导模块通过局部注意力提取运动特征中的语义信息,用于引导外观特征学习丰富的语义信息;最后,多尺度渐进融合模块获取双流网络的各个阶段输出的特征,将深层特征渐进地融入浅层特征,最终提升边缘分割效果.在3个标准数据集上进行了大量评测,实验结果表明了该方法的优越性能.

一种基于区域权重平滑的弱监督目标定位方法

由于图像类别标签的弱监督目标定位方法存在定位区域仅覆盖目标最具有显著性类别信息部位的问题,同时,区域的类别信息响应受到关键权重的影响,且关键权重的不均衡导致了定位区域响应的稀疏性,因此,提出一种基于区域权重平滑的弱监督目标定位方法。文章设计了自适应标准差正则项,以缩小关键权重差异,从而在保留网络分类能力的同时平滑定位区域。在多个数据集上实验的结果表明,采用该方法所得的定位区域覆盖面更广,定位精度更高。

深度信号引导学习混合变换器的高性能无监督视频目标分割

现存的无监督视频目标分割方法通常使用光流作为运动线索来提升模型性能.然而,光流的估计常存在误差,这将导致双流网络易对噪声过拟合.为此,本文提出一种基于混合变换器的无监督视频目标分割算法,通过引入深度信号引导变换器高效融合不同模态数据,以学习更加鲁棒的特征表达,从而减轻模型对噪声的过拟合.首先,设计一个新颖的混合注意力模块来获得全局感受野并对不同模态的特征进行充分交互,以增强特征的全局语义信息来提升模型的抗干扰能力.接着,为了进一步感知精细化的目标边缘,设计了一个局部-非局部语义增强模块,将局部语义的归纳偏置引入补充学习非局部语义特征,在提升模型抗干扰力的同时突出更精细化的目标区域.最后,增强后的特征输入变换器的解码器,预测得到高质量的分割结果 .与最先进的方法相比,本文所提算法在四个标准数据集上都获得了领先的性能,充分表明了本文所提方法的有效性.

目标制定监督在青少年糖尿病防治及构建和谐心理中的应用

目的：探讨应用目标制定监督对糖尿病青少年患者心理、行为改变的效果,旨在纠正患者日常不良心理、行为和生活方式。方法：对2013年4月~2014年5月于我科收治的58例糖尿病青少年患者实施目标制定监督,并于出院3个月后对其进行电话指导、短信提示,观察患者在不良行为方式产生的变化,比较入院、出院前及出院3个月后血糖达标率、SAS评分、行为改变情况。结果：（1）糖尿病青少年患者末梢血糖测定、遵医嘱服药、坚持运动、规律饮食、情绪控制、足部保护、禁零食、体重保持、自我健康评价、胰岛素使用行为改变的10项内容所在阶段均有明显提高,SAS评分有所降低。（2）58例糖尿病青少年患者血糖达标情况在入院、出院前、出院3个月后也均逐步提高。结论：采用目标制定监督对构建青少年健康心理,促进患者行为改变有积极作用。

一种新的鲁棒无监督显著性目标检测方法

针对传统无监督图像显著性目标检测鲁棒性不强、学习算法复杂度高的问题,提出了一种新的鲁棒无监督显著性目标检测方法--三元结构化矩阵分解目标检测。该方法利用低秩矩阵三元分解降低奇异值分解(singular value decomposition)的算法复杂度,结合高层先验知识,提升复杂背景下的显著性目标检测性能。通过分层稀疏正则化和构造索引树,解决显著图的细节缺失问题。在3种标准多目标数据集上对主流无监督显著性目标检测方法进行了实验对比,结果表明,所提方法学习时间最多可以降低40%,并且F-measure指标在超过50%的阈值范围内鲁棒性优于当前最好的无监督检测算法。

谈审计环境变迁对审计监督目标与方式的影响

审计环境变迁问题，世界各国都面临着这样的一个问题，然而我国为了应对审计环境的变迁，需要完善审计监督机制，所以。我们首先要以理论分析与政策研究结合的方式分析审计环境的变迁因素。通过分析审计环境变迁对审计监督目标与方式的影响，找出完善审计监督机制的方法，营造良好的审计环境，充分发挥审计监督职能，以达到查错防弊的效果。

基于并行多方向注意力的无监督视频目标分割

时空特征传播对准确的无监督视频目标分割任务至关重要.但是,由于现实中视频的复杂性,导致时空特征学习与传播变得十分具有挑战性.在本文中,提出了两个新颖的模块分别用于增强视频中目标的空间和时间表示.具体来说,首先,针对当前帧,在空间上提出一个新颖的多方向注意力模块,旨在沿着水平、垂直与通道方向上分别提取注意力图.同时,设计了一个并行时序模块用于整合当前帧和之前帧的信息.该模块并行地计算出连续帧之间的二阶相似度,并且根据该相似度图重新对当前帧特征进行加权与增强.此外,该相似度图还直接生成一个有效的掩膜,用于进一步增广当前帧中目标的特征表示.接着,将上述空间和时间特征进行融合以获得最终增广的时空特征表示,并将其输入解码器来预测当前帧中待分割目标的掩膜.在三个主流无监督视频目标分割数据集上的大量实验结果表明,本文提出的方法与当前最新方法相比取得了领先的性能.相关代码将公布在https://github.com/su1517007879/MP-VOS.

融合目标定位与异构局部交互学习的细粒度图像分类

由于细粒度图像之间存在小的类间方差和大的类内差异,现有分类算法仅仅聚焦于单张图像的显著局部特征的提取与表示学习,忽视了多张图像之间局部的异构语义判别信息,较难关注到区分不同类别的微小细节,导致学习到的特征缺乏足够区分度.本文提出了一种渐进式网络以弱监督的方式学习图像不同粒度层级的信息.首先,构建一个注意力累计目标定位模块(Attention accumulation object localization module,AAOLM),在单张图像上从不同的训练轮次和特征提取阶段对注意力信息进行语义目标集成定位.其次,设计一个多张图像异构局部交互图模块(Heterogeneous local interactive graph module,HLIGM),提取每张图像的显著性局部区域特征,在类别标签引导下构建多张图像的局部区域特征之间的图网络,聚合局部特征增强表示的判别力.最后,利用知识蒸馏将异构局部交互图模块产生的优化信息反馈给主干网络,从而能够直接提取具有较强区分度的特征,避免了在测试阶段建图的计算开销.通过在多个数据集上进行的实验,证明了提出方法的有效性,能够提高细粒度分类的精度.

基于深度学习的风机叶片复杂场景目标定位检测算法

提出一种基于深度学习的风机叶片复杂场景检测与分析方法,为了解决弱监督目标定位算法中,目标定位区域不完整,定位区域中背景内容过多的问题,提出了一种应用在风机叶片复杂场景检测,基于自适应特征矫正的弱监督定位算法。该方法引入了自适应特征矫正模块,首先将输入的特征按通道分组,每组特征按照通道平均分为两部分,对这两部分特征分别使用空间注意力机制和改进的通道注意力机制,之后对两部分特征做拼接操作,最终对各组拼接后的特征做通道随机混合操作。在CUB目标定位数据集上对比验证了方法的有效性。实验结果表明,提出方法较基于自适应注意力增强的弱监督目标定位算法能够得到更加准确的目标区域。

论证券市场监管的基本目标

克服和弥补市场缺陷,提高市场效率是证券市场监管的一般目标,是证券市场本身的特征对监管所提出的必然要求。