基于Swin-Transformer的黑色素瘤图像病灶分割研究

黑色素瘤图像病灶分割的主流模型大多基于卷积神经网络(CNN)或Vision Transformer(ViT)网络,但是CNN模型受限于感受野大小,无法获取全局上下文信息,而ViT模型只能提取固定分辨率的特征,无法提取不同粒度的特征。为解决该问题,建立一种基于Swin-Transformer的融合双分支的混合模型SwinTransFuse。在编码阶段,首先利用Noise Reduction图像降噪模块去除图像中的毛发等噪声,然后采用CNN和Swin-Transformer构成的双分支特征提取模块来提取图像的局部细粒度信息和全局上下文信息,并对来自Swin-Transformer分支的全局上下文信息使用SE模块进行通道注意力操作以增强全局特征的提取,对来自CNN分支的局部细粒度信息使用卷积块注意力机制模块(CBAM)进行空间注意力操作以增强局部细粒度特征的提取,接下来利用Hadamard积运算对两个分支输出的特征进行特征交互以实现特征的融合,最后将SE模块输出的特征、CBAM模块输出的特征和特征融合后的特征进行拼接以实现多层次特征融合,并通过一个残差块输出交互后的特征。在解码阶段,将特征输入到上采样模块得到图像最终的分割结果。实验结果表明,该模型在ISIC2017和ISIC2018皮肤病数据集上的平均交并比分别为78.72%和78.56%,优于同类型的其他医学分割模型,具有更高的实用价值。

基于深度学习的网络入侵检测与防御机制

该研究旨在探索基于深度学习的网络入侵检测与防御机制,以卷积神经网络(Convolutional Neural Network,CNN)算法和CSE-CICIDS2018数据集为基础,通过综述传统网络入侵检测方法和深度学习在网络安全领域的应用,分析了当前研究的发展状况和存在的问题。实验过程选用了CNN算法作为主要的深度学习模型,并设计了相应的网络架构。通过对CSE-CICIDS2018数据集的实验评估,研究发现基于CNN算法的网络入侵检测与防御机制在识别异常流量和正常流量方面表现出良好的性能。该研究为进一步提升网络安全水平和效率提供了可行的方案,并为未来相关研究提供了借鉴和展望。

基于Mixup数据增强的LSTM-FCN时间序列分类

在时间序列分类任务中,针对时间序列数据少和多样性导致深度学习模型准确率不高的问题,提出Mixup数据增强的长短期记忆网络–全卷积网络(LSTM-FCN)时间序列分类算法。该算法首先使用Mixup对原始数据进行数据增强,通过简单的线性插值对时序数据进行混合,得到新的混合之后的增强数据;然后使用增强数据训练LSTM-FCN,并进行分类。在30个UCRArchive2018数据集上的实验结果表明,使用Mixup数据增强的LSTM-FCN在26数据集上取得了比LSTM-FCN好的分类准确率,最高提高了4.79%。实验结果说明了本文方法可以提高深度学习模型的分类准确率。

一种基于IDOA-RBF神经网络的正常流量过滤方法

针对全流量检测方式容易使安全检测设备出现性能瓶颈的问题,给出一种使用改进的野狗优化算法来优化径向基函数神经网络的正常流量过滤方法。首先,采用Singer混沌映射和搜索平衡策略对野狗优化算法进行改进;其次,用改进后的野狗优化算法优化RBF神经网络的输出权值,使用CSE-CIC-IDS2018数据集训练网络,构建正常流量过滤模型;最后,在网络流量进入安全检测设备前尽可能多地过滤掉其中正常流量,减轻安全检测设备的工作负担。实验结果表明:与现有的模型相比,IDOA-RBF神经网络的正常流量过滤模型在建模时间上有较大的改善,同时保持较高的识别精度,并且能在需要检测的流量中过滤掉72.9%的正常流量。

全球海洋表面叶绿素a浓度21年(1998–2018)月-季-年度数据集研发

基于1998年1月至2018年12月期间的SeaWIFS、Terra-MODIS、Aqua-MODIS、MERIS和VIIRS共5个传感器的叶绿素a浓度数据,设计了基于小波变换与Kalman滤波技术相结合的多源遥感数据融合技术和基于查找表法与最大值合成法相结合的融合产品研制技术,研发了月、季、年共三种尺度的全球海洋表面叶绿素a浓度融合数据集(1998–2018)。该数据集的空间分辨率为4 km×4 km,时间分辨率为月/季/年,数据格式为TIFF,由357个数据文件组成,数据量为50.1 GB(压缩为64个数据文件,压缩后数据量为19.4 GB)。将该数据产品与实测值和欧空局GSM数据产品的对比分析,结果显示该数据集2008年数据产品与实测值的拟合度为79%,而GSM与实测值的拟合度仅为35%,低于本融合数据集的数据精度。

基于空洞卷积的三维并行卷积神经网络脑肿瘤分割

针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,且具有较高的自动化集成度。