基于YOLOv11全参数微调的小水电站发电机碳刷打火智能识别方法

随着运行年限的增长,小水电站发电机组中的碳刷容易出现打火现象,影响设备的安全运行。电站现场安装的视频监控为机组运行状态的实时监测提供了有效手段,然而,目前主要依赖人工辨别监控图像中的碳刷打火,难以确保及时性与准确性,尚缺乏高效的智能化识别方法。因此,研究提出一种基于YOLOv11(You Only Look OncE-vErsion 11)全参数微调的小水电站发电机碳刷打火智能识别方法。基于YOLOv11目标检测方法,利用迁移学习对YOLOv11进行全参数微调训练,构建小水电站发电机碳刷打火智能识别模型,实现对水轮发电机机坑监控图像中碳刷打火的实时、准确检测。以金华市河盘桥水电站4号水轮发电机机坑的视频监控图像为例进行实验验证,通过对比不同迁移学习微调策略及其他主流先进的目标检测方法,验证本研究所提方法的有效性、准确性与优越性,可为小水电站发电机安全稳定运行提供有力保障,并提高其发电机设备的智能化运维水平。图3幅,表2个。

基于弱监督预训练CNN模型的情感分析方法

传统的情感分析研究大多基于机器学习算法,此类方法依赖大量人工抽取的特征与领域知识。使用卷积神经网络自动学习文本的特征表示,进而判别文本的情感极性。为了解决情感分析中监督训练样本不足的问题,利用大规模弱监督数据来训练卷积神经网络。同时引入"预训练-微调"策略,先在弱监督数据集上对卷积神经网络进行预训练,然后使用监督数据集进行微调训练来克服弱监督数据中的噪声问题。在SemEval-2013 Twitter情感分析数据集上进行实验验证,结果表明由于引入了弱监督数据参与训练,有效增强了卷积神经网络学习情感语义的能力,从而提升了模型的准确性。

医疗大模型技术及应用发展研究

医疗大模型基于深度神经网络架构进行复杂医疗数据的高效处理与模式识别,为智慧医疗提供新型的决策支持;需要系统分析医疗大模型技术及应用情况,以精准把握医疗大模型的发展方向、精准应对面临的发展挑战,进而基于医疗大模型提升医疗文本、医学图像、药械研发、医学教育等方面的能力。本文梳理了医疗大模型的技术范式与应用场景,剖析了由基础层、模型层、应用层、公共模块构成的医疗大模型技术体系,覆盖评价指标体系构建、数据集范围与题型、模型对齐方法、模型评测平台的医疗大模型评测体系,辨识出医疗大模型应用存在的数据安全、技术风险、落地挑战、伦理道德等方面的难点。为此建议,发挥政府引导优势、保障数据安全,加快基础理论研究、突破技术风险,强化应用场景牵引、缓解落地挑战,建立健全监管机制、规范伦理道德,完善公共服务体系、营造创新生态,以加快医疗大模型创新应用,推动我国智慧医疗的高端化、智能化、绿色化发展。

ASC-Net:腹腔镜视频中手术器械与脏器快速分割网络

腹腔镜手术自动化是智能外科的重要组成部分,其前提是腔镜视野下手术器械与脏器实时精准分割。受术中血液污染、烟雾干扰等复杂因素影响,器械与脏器实时精准分割面临巨大挑战,现有图像分割方法均表现不佳。因此提出一种基于注意力感知与空间通道的快速分割网络(ASC-Net),以实现腹腔镜图像中器械和脏器快速精准分割。在UNet架构下,设计了注意力感知与空间通道模块,通过跳跃连接将二者嵌入编码与解码模块间,使网络重点关注图像中相似目标间深层语义信息差异,同时多维度学习各目标的多尺度特征。此外,采用预训练微调策略,减小网络计算量。实验结果表明:在EndoVis2018数据集上的平均骰子系数(mDice)、平均重叠度(mIoU)、平均推理时间(mIT)分别为90.64%,86.40%和16.73 ms (60帧/秒),相比于现有最先进方法,mDice与mIoU提升了26%与39%,且mIT降低了56%;在AutoLaparo数据集上的mDice,mIoU和mIT分别为93.72%,89.43%和16.41ms(61帧/秒),同样优于对比方法。该方法在保证分割速度的同时有效提升了分割精度,实现了腹腔镜图像中手术器械和脏器的快速精准分割,将助力腹腔镜手术自动化快速发展。

提示学习研究综述

经过微调的预训练语言模型在各领域任务中均取得了显著的性能。但是,预训练和微调之间在训练数据和目标函数方面存在着巨大差距,阻碍了预训练语言模型对下游任务的有效适应。提示学习的提出缩小了预训练和微调之间的差距,并可以很好地应用到小样本甚至零样本场景中。提示学习的核心思想是将提示模板插入到原始输入中,将下游任务数据转化为自然语言的形式输入到预训练模型中,输出预测结果,然后通过语言表达器将输出映射到相应的标签。系统地梳理了当前提示学习的相关工作,根据提示学习的实现步骤,从提示模板和语言表达器构建两个阶段介绍该类方法的研究进展。将基于提示模板的方法细分为人工构建、自动构建、引入外部知识构建提示和思维提示方法4种;将基于语言表达器的方法细分为人工构建的表达器、基于搜索的表达器、软表达器和引入外部知识构建表达器的方法4种。总结了提示学习在自然语言处理、计算机视觉和多模态领域的主要应用,并对提示学习相关实验进行了分析。最后,概述了提示学习的现状和挑战,展望了提示学习的未来发展方向。

基于选择状态空间的三模态适配器

预训练再微调范式广泛应用于各种单模态和多模态的任务中。然而,随着模型规模的指数级别增长,微调预训练模型的所有参数变得非常困难。为了解决这个问题,设计一种基于选择状态空间的三模态适配器,它可以冻结预训练模型,只针对少量额外的参数微调,并完成三模态间的密集交互。具体地,提出一个基于选择状态空间的长期语义选择模块和一个基于视觉或音频中心的短期语义交互模块,这两个模块被按顺序插入各顺序编码器之间,以完成三模态信息的密集交互。长期语义选择模块旨在抑制三模态中的冗余信息,短期语义交互模块则对短时间内的局部模态特征进行交互建模。与之前需要在大规模三模态数据集上进行预训练的方法相比,所提方法更灵活,它可以继承任意强大的单模态或双模态模型。在Music-AVQA三模态评测数据集上,所提方法取得了80.19%的平均准确率,较LAVISH提升了4.09个百分点。