基于改进对抗生成网络模型的肺气管图像分割

目的:为了提高肺部疾病的临床诊断准确率及其手术成功率,需要对肺气管的影像进行准确的分割。方法:提出一种全新的针对肺气管图像的三维图像分割算法,将深度学习中的对抗生成网络结构(GAN)、密集连接网络模型(Dense Net)以及多尺度连接(Multi Scale)结构应用到临床三维图像的分割中。结果:该方法可以从读取数据块中做到像素级的分割,根据相对坐标位置对分割结果进行投票,结合最大联通分量后处理办法,分割出精确到第四支的气管,算法在测试数据上的分割结果获得交并比(IOU)超过91.4%的准确率。结论:基于对抗生成网络的图像分割算法,无需人工交互即可获得形态学结构复杂(肺气管)的三维目标,能提高肺部疾病的临床诊断准确率和手术成功率。

具有社区结构的无标度网络生成算法

近年来,生成图模型在复杂网络研究中的作用越来越重要。图的生成过程对于研究疾病的蔓延和信息的传播具有重大意义,同时图模型的生成也有助于更深入地研究复杂网络的特性。为了能够生成既符合真实网络特征又具有结构多样性的复杂网络,提出了一种具有社区结构的可调节聚集系数和模块性的无标度网络生成算法——TCMSN(Scale Free Network with Tunable Clustering Coefficient and Modularity)。通过调节混合参数可以调节生成网络的模块性,通过调节社区内连边的概率和混合参数可以对网络聚集系数进行调节。TCMSN采用了合理的连边策略,在不破坏网络结构多样性的情况下,能尽可能维持网络的无标度特性。人工构造数据和真实网络数据的对比实验结果表明,TCMSN算法能够生成可调节聚集系数和模块性的无标度网络模型,且能够生成最接近真实网络社区结构特征的网络模型。

基于生成式对抗网络的股价预测研究

为了降低股票市场中噪声信息和投资者情绪对股票价格的影响,以便给投资者带来较高的投资回报并降低交易风险,特提出一种基于金融双向编码器表征和瓦瑟斯坦距离的生成式对抗网络(financial bidirectional encoder representation from transformers and Wasserstein generative adversarial networks,FWGAN)股价预测模型。本模型首先采集东方财富网股评数据,并利用自然语言处理预训练模型将股评数据量化为情绪值,然后将情绪值连同历史股票交易数据、技术指标数据输入由长短期记忆网络(long-short-term memory,LSTM)为生成器和卷积神经网络(convolutional neural network,CNN)为判别器组成的FWGAN模型中进行训练。对比LSTM模型、门控神经网络(gated recurrent units,GRU)模型和生成式对抗网络(generative adversarial networks,GAN)模型对山西汾酒股价的预测性能,结果表明,FWGAN模型的均方根误差为2.572,达到最低,预测效果最好。试验结果验证了本模型对股票时间序列预测的有效性和优越性,可以为投资者进行股价预测提供参考。

基于维纳滤波器和生成对抗网络的动态模糊图像处理方法

在傅里叶频域中,由于逆滤波对加性噪声特别敏感,使得恢复后的图像仍然非常模糊.针对这一问题,我们提出了一种基于维纳滤波器和生成对抗网络的动态模糊图像处理方法.首先使用维纳滤波去模糊算法,通过均方差最小化去除噪声,但由于无法判断拍摄装置的移动范围并未得到预期效果.再考虑使用自由性强、不受预定条件分布的生成对抗网络模型(GAN).定义一个类生成器G(y)和类判别器D(x),通过机器学习的方式进行反复学习和反馈,直至达到模型无法判别生成数据样本S(y)和真实数据样本r(x)时,图像近似还原成功.同时,引入"模糊核"概念,模拟图像的模糊轨迹,进行精确还原.最后,由于肉眼很难对图像的还原程度做定量判断.因此我们利用三个评价指标对这些图像进行客观评价——峰值性噪比PSNR、模糊系数KBlur、质量因素Q.实验结果表明,在该方法下的图像的三个评价指标在一定程度上有所改善,从而得到图像还原较为成功的结论.

基于船舶轨迹挖掘的海上航路网络构建方法

海上航路网络是船舶海上交通活动特征的时空表征,也是船舶航路规划、行为辨识、轨迹预测的重要基础。海量的船舶历史轨迹数据为自动提取海上航路网络提供了基础数据,但受轨迹数据噪声和密度分布不均匀的影响,传统航路网络自动提取方法存在网络节点识别准确性差、网络边连接错误率高等问题。针对上述问题,研究了1种基于船舶轨迹时空特征挖掘的海上航路网络自动构建方法。定义了海上航路网络的3种航路点类型,即停留点、出入点和航路转向点,设计了基于轨迹时空特征的航路点提取方法;提出了基于累计转向特征的航路转向点过滤策略,可有效去除船舶避碰、船舶徘徊等局部活动产生的非航路转向点;根据不同种类航路点的分布特征,综合利用DBSCAN聚类算法和凸包算法从航路点集合中提取和生成航路网络节点集合;定义了航路网络节点的有效连接规则,从原始轨迹中提取航路网络节点之间的轨迹簇,根据轨迹簇的统计特征生成航路网络节点之间的有向加权边,形成有向加权的海上航路网络。以珠江口水域为实验区域,对所提方法进行有效性验证,结果表明:所提方法可提取71个3类航路网络节点和200条航路路线;航路网络节点识别准确率与误识别率分别为86.42%和1.23%;航路网络边连接的准确率接近95%。所提方法能够有效识别海上航路的关键航路点及主要路线,实现航路网络的自动构建。

遗传算法在网络工程设计中的应用

在网络工程设计中,从需求分析到得到网络模型要经过多个不同的阶段。且在各个阶段中很多问题都要通过网络工程师的个人经验来解决,这样就不免会出现经验不足,考虑不全面以及设计效率不高等弊端。所以怎样快速生成一个科学、合理的、满足用户需求的网络模型就成为了人们关注的问题。运用遗传算法的全局寻优对网络工程设计进行了研究,并得到了一个自动获得适合用户需求的网络模型的好的算法。基本上完成了在网络工程生命周期中的从需求分析到设计阶段的智能化。

船体曲面特征的计算机视觉认知与生成机制研究

船体曲面的型值数据与图片数据都是序列相关型数据,即数据排列形式与所表达信息紧密相关的数据类型,因此用于图片分类和生成的计算机视觉技术,理论上也适用于船体曲面特征的认知与生成。本文基于此共性假设,对基于计算机视觉的船体曲面特征认知与生成机制开展系列研究。通过卷积神经网络搭建多元分类器用于识别不同区域的船体曲面形状,在多种曲面分割方案下均得到较为理想的分类精度;基于生成式对抗网络模型,设计一体式和分区式船体曲面生成方法,并根据这两种方法分别尝试进行曲面生成和重构,证明两种方法都能依据其自身特点部分实现船体曲面生成功能,为后续的研究提供参考。本文研究结果可为船体曲面快速建模与变形方法方面的研究提供技术和理论支持。

基于点集匹配的缺陷样本图像生成方法

针对工业缺陷检测中存在的由产品次品率过低、产品迭代更新过快、缺陷种类难以覆盖全部以及缺陷样本高质量标注难度较高导致的小样本问题,使用基于点集匹配的缺陷样本图像生成方法来对缺陷数据进行扩充。将缺陷部位从多特征角度进行变换,使用单张样本进行扩充得到不同特征的缺陷图像,解决小样本条件下深度学习方法难以生成高质量缺陷图像的问题。通过图像评估与实验验证,该方法生成的图像具有更好的视觉效果,并且对缺陷与分割模型有着高效的提升。该方法可应用于样本较少的深度学习模型训练过程中,达到扩充样本提高训练效果的目的。

基于改进Wasserstein生成对抗网络的出血性脑卒中CT图像去噪研究

目的 为提高无配对参考图像的出血性脑卒中CT的图像质量,提出一种基于改进Wasserstein生成对抗网络(Wasserstein generative adversarial network,W-GAN)的CT图像去噪算法。方法 以W-GAN网络为框架,在生成器部分引入视觉几何组(visual geometry group,VGG)网络计算感知损失模块,并在鉴别器部分加入自注意力机制和谱归一化卷积对模型进行改进,对输入的低剂量CT数据进行去噪,得到接近标准剂量的图像。随后对无配对参考图像的出血性脑卒中数据用训练完成的模型进行迁移学习,并对最终得到的图像分别使用全变分(total variation,TV)、无参考图像空间域质量评估(blind/referenceless image spatial quality evaluator,BRISQUE)和对比语言-图像预训练模型图像质量评估(contrastive language-image pre-training image quality assessment,CLIP-IQA)3种无参考图像质量评估方式进行评估。结果 在TV、BRISQUE和CLIP-IQA 3种无参考图像质量评估指标上相对于输入提升分别为0.016 5、0.127 2、0.007。结论 本文提出的改进W-GAN网络模型可以用于出血性脑卒中低剂量CT图像去噪的迁移学习任务,并取得良好的性能提升,为辅助医师诊断出血性脑卒中提供了一种可能的工具。

基于StarGAN-VC的语音风格转换技术

文章基于星型生成式对抗网络-语音转换(Star Generative Adversarial Networks-Voice Conversion,StarGAN-VC)模型,研究了一种先进的语音风格转换技术,旨在实现对语音信号的高效转换。首先,详细阐述了基于StarGAN-VC的语音转换方法的基本原理。其次,深入研究特征提取和基频转换方法,以及StarGAN-VC模型的数学原理。最后,通过在VCC2018数据集上的实验,验证了该方法的性能。实验结果表明,该方法在频谱包络相似度和基频准确度等指标上均取得了令人满意的效果。

手写体版面分析和多风格古籍背景融合

近年来,基于深度学习的版面分析和风格迁移等技术得到广泛的应用并取得了许多突破.为了对古籍多风格纹理进行复原,提出一种古籍版面分析和风格融合网络结构.首先利用生成对抗网络和多风格背景生成模型进行模型训练,形成多风格的古籍纹理;然后提出重排列算法进行版面分析,调整前景文字的排列位置;最后通过前景文字和古籍风格背景的融合实现文本背景的多风格生成.实验中,以古彝文、古汉语(秦小篆)、女真文的古籍和古画作为数据样本,对DCGANs模型进行参数和结构上的改进以提高模型的生成性能,结合交叉熵损失函数和Fréchet inception distance(FID)对生成结果进行评估,得到在FID上表现最佳的训练模型M8并将其作为多风格背景生成模型,与DCGANs模型相比,生成性能提高19.26%,图像生成质量有了明显提升.

基于多源地学数据的找矿预测应用研究

为提高地质找矿精度,本文结合研究区化探、航磁、地质以及断裂构造数据,运用卷积神经网络(CNN)模型,对基于多种数据的铜矿床预测结果进行了对比分析。结果表明:在运用卷积神经网络(CNN)模型进行找矿预测前,需要利用克里格插值法对化探和航磁数据进行预处理;同时传统地质数据断裂构造解释不详细的问题,需利用生成式对抗网络(GAN)模型对遥感影像数据进行断裂构造数据的解译,从而获得多种地质数据。基于化探、航磁、地质以及断裂构造数据预测得到的铜矿床面积分别占研究区的27.3%、12.1%和19.7%;由于地质数据仅包括研究区的主干断裂,导致在预测过程中某些重点找矿区未被圈定,而采用GAN模型对断裂构造数据进行训练预测后,未被圈定的区域被重新圈定,将断裂构造数据+化探航磁数据相结合应用到铜矿床预测模型中,具有更好的预测效果和可信度。

Combination of Ecoprofile and Least-cost Model for Eco-network Planning

The protecting requirements and functional connectivity of species in isolated habitat patches are crucial factors of eco-network planning.This study aimed to improve the method of eco-network planning for species conservation.Ecoprofiling was used to group the species by similar behavior types,namely,choice of ecosystem,area requirement,and short distance dispersal abilities.A least-cost model was used to simulate the optimal corridor location to maintain functional connectivity.A combination of ecoprofile and least-cost model was hired to develop an eco-network that promoted species conservation.A case study was also conducted in Beijing,China.In addition to the required ecosystem,habitat area is an important parameter for habitat extraction.Habitat area can remove noise habitat patches because of lacking area.Short-distance dispersal can be used to identify corridor requirements and avoid unnecessary building requirements.Species with various dispersal abilities exhibit significant differences in terms of corridor length and location requirement.Habitat isolation is the main threat for weakly mobile species,and habitat loss is the major risk of mobile species protection.Different species groups also exhibit distinct landscape pattern demands for an eco-network,and the eco-network planning based on specific species can not protect other species.We proposed that a combination of ecoprofile and least-cost model improved the efficiency of species conservation by eco-network planning.

基于深度特征学习的冬小麦生育阶段分类识别研究

冬小麦生育阶段及生育期田间环境要素的精准识别是农业信息化管理研究的核心内容之一。为实现对冬小麦不同生育阶段的精准分类识别,提出了一种基于深度学习的冬小麦生育阶段分类识别模型。首先,采集田间图像并对其进行预处理;其次,构建了一种基于深度可分离卷积的冬小麦、土壤及杂草的图像分割模型,利用该模型从田间图像中准确提取出冬小麦样本,并对冬小麦样本进行前景及后景标注;最后,基于VGG16提取的图像特征以及区域生成网络模型,构建了生成候选框的改进Faster R-CNN目标检测模型,通过对候选框的分类训练和回归训练实现了对冬小麦3个主要生育阶段的分类识别。结果表明:构建的图像分割模型对小麦、杂草及土壤的分割准确率分别为90.91%、22.87%、65.15%,查准率分别为93.45%、17.21%、60.58%,召回率分别为95.02%、18.43%、58.32%;构建的改进Faster R-CNN模型对冬小麦生育阶段的分类识别准确率达96.00%,且具有广阔的应用前景。

A generative model of identifying informative proteins from dynamic PPI networks

Informative proteins are the proteins that play critical functional roles inside cells.They are the fundamental knowledge of translating bioinformatics into clinical practices.Many methods of identifying informative biomarkers have been developed which are heuristic and arbitrary,without considering the dynamics characteristics of biological processes.In this paper,we present a generative model of identifying the informative proteins by systematically analyzing the topological variety of dynamic protein-protein interaction networks(PPINs).In this model,the common representation of multiple PPINs is learned using a deep feature generation model,based on which the original PPINs are rebuilt and the reconstruction errors are analyzed to locate the informative proteins.Experiments were implemented on data of yeast cell cycles and different prostate cancer stages.We analyze the effectiveness of reconstruction by comparing different methods,and the ranking results of informative proteins were also compared with the results from the baseline methods.Our method is able to reveal the critical members in the dynamic progresses which can be further studied to testify the possibilities for biomarker research.

Structural properties and generative model of non-giant connected components in social networks

Most previous studies have mainly focused on the analyses of one entire network(graph) or the giant connected components of networks. In this paper, we investigate the disconnected components(non-giant connected component) of some real social networks, and report some interesting discoveries about structural properties of disconnected components. We study three diverse, real networks and compute the significance profile of each component. We discover some similarities in the local structure between the giant connected component and disconnected components in diverse social networks. Then we discuss how to detect network attacks based on the local structure properties of networks. Furthermore, we propose an empirical generative model called i Friends to generate networks that follow our observed patterns.