域迁移增强的综合假脸检测模型

提出一种跨域的综合假脸检测模型。首先,设计一种双域融合模型,该模型利用空间注意力机制实现RGB域和频域特征的融合。其次,在此基础上,结合数据增强技术,提出了一种跨域迁移策略。最后,提出的双域模型的精度,在5个通用数据集上均比单域模型有一定的提高,尤其在NT数据集上,该方法的精度比EfficientNet-B0方法提高了3.4%。此外,实验结果表明,与其他迁移学习方法相比,在FaceForensics++和Celeb-df数据集上,该方法在域迁移中具有更好的泛化性能。

医学领域知识融合研究进展

医学领域知识融合旨在将分散在各个知识图谱或不同数据源中的医学知识进行整合,形成一个更全面的知识图谱,在提高知识质量、扩大规模、提高医学知识利用率和共享性等方面具有促进作用。围绕知识融合的问题和解决方案,首先系统地梳理了医学领域知识融合的定义、评价指标及数据集;分类讨论了知识融合过程中存在的问题与挑战;然后从问题、技术两个维度,综述了目前知识融合中实体对齐、实体链接任务各方法的优势与不足;详细讨论和总结了医学领域知识融合每一类问题的相关解决方案;最后,总结并展望了医学领域知识融合的发展方向。

基于多分支特征融合的车载激光雷达3D目标检测算法

该文基于多分支特征融合的3D目标检测算法将无序的点云划分为规则的体素,利用体素特征编码模块和卷积神经网络学习体素特征,再将稀疏的3D数据压缩为稠密的二维鸟瞰图,最后通过2D骨干网络的粗糙分支和精细分支对多尺度鸟瞰图特征进行深度融合。该文实现了对多尺度特征的语义信息、纹理信息和上下文信息的聚合,得到了更加精确的原始空间位置信息、物体分类、位置回归和朝向预测,在KITTI数据集上取得优异的平均精度,并在保持一定帧率的同时具有较强的稳健性。

基于Transformer-GRU并行网络的滚动轴承剩余寿命预测

为有效描述滚动轴承性能退化趋势和准确预测其剩余寿命,提出一种基于多域特征融合的Transformer-GRU并行网络的滚动轴承剩余寿命预测方法。建立评价指标对滚动轴承振动信号的时域、频域和时频域等多域特征进行筛选,得到评分高的敏感特征,获得退化特征集。利用自编码对退化特征集进行降维,减少数据复杂度和冗余度,得到滚动轴承的退化曲线。最后,利用Transformer-GRU并行网络进行剩余寿命预测,并将该方法运用到公开的轴承数据集分析中。结果表明:Transformer-GRU并行网络不仅可以高效准确地捕捉输入序列中的长期依赖关系,还能更好地处理时间序列之间的特征;该方法可以有效地预测滚动轴承剩余寿命,相比LSTM、GRU等经典方法更具优越性和泛化性。

Fusion protein of single-chain variable domain fragments for treatment of myasthenia gravis

Single-chain variable domain fragment （scFv） 637 is an antigen-specific scFv of myasthenia gravis. In this study, scFv and human serum albumin genes were conjugated and the fusion pro-tein was expressed in Pichia pastoris. The afifnity of scFv-human serum albumin fusion protein to bind to acetylcholine receptor at the neuromuscular junction of human intercostal muscles was detected by immunolfuorescence staining. The ability of the fusion protein to block myas-thenia gravis patient sera binding to acetylcholine receptors and its stability in healthy serum were measured by competitive ELISA. The results showed that the inhibition rate was 2.0-77.4%, and the stability of fusion protein in static healthy sera was about 3 days. This approach suggests the scFv-human serum albumin is a potential candidate for speciifc immunosuppressive therapy of myasthenia gravis.

基于信息融合子域适应的不同工况下谐波减速器故障诊断方法

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。该方法将源域和目标域一维振动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不同工况下谐波减速器的故障诊断。通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均准确率可达98.8%,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。

基于tSNE多特征融合的JTC轨旁设备故障检测

无绝缘轨道电路(Jointless Track Circuit,JTC)的轨旁设备在室外长期运营过程中,其可靠性会逐渐降低,进而给列车行车安全带来严重威胁。以轨道电路读取器(Track Circuit Reader,TCR)感应电压为基础,针对JTC故障诊断研究中轨旁设备故障类型复杂和故障特征提取不充分等问题,提出一种基于t分布随机邻域嵌入(t-distribution Stochastic Neighbor Embedding,tSNE)多特征融合的JTC轨旁设备故障检测模型。首先,根据不同轨旁设备故障对TCR感应电压信号的影响,分析各轨旁设备的故障特性。其次,提取TCR感应电压信号的方差、有效值、峰值因子等幅值域特征,以及排列熵、散布熵特征构成原始故障特征集。为了去除其中的冗余信息,得到具有较高判别性的融合流形特征,利用tSNE算法进行特征融合。最后输入深度残差网络(Deep Residual Network,DRN)得到故障检测混淆矩阵,实现轨旁设备故障定位。实验结果表明:tSNE算法融合后的特征在异类和同类故障样本之间分别有较大的类间间距和较小的类内间距,相比主成分分析(Principal Component Analysis, PCA)、随机相似性嵌入(Stochastic Proximity Embedding, SPE)、随机邻域嵌入(Stochastic Neighbor Embedding,SNE)算法具有更优的融合特征提取效果。此外,结合DRN可以有效识别多种轨旁设备故障,达到98.28%的故障检测准确率。通过现场信号进行实例验证,结果表明该故障检测模型能满足铁路现场对室外设备进行故障定位的实际需求。

教育数字化转型背景下高职分域融合数字校园建设模式探析

随着教育数字化行动战略的持续推进,在建设和应用过程中,高职数字校园逐渐产生体量增大、管理复杂、服务教学效果不好等问题。文章通过分析国家教育数字化有关政策,阐释数字校园在教育数字化转型中的重要作用,设计包含决策管理、场景应用、数据和支撑保障的高职院校分域融合数字校园建设模式,为推进高职数字校园优化架构体系、提升管理效率、丰富应用场景、发挥数据赋能产教融合作用提供新的思路和路径建议。

基于多域融合及神经架构搜索的语音增强方法

为进一步提高语音增强模型的自学习及降噪能力,提出基于多域融合及神经架构搜索的语音增强方法。该方法设计了语音信号多空间域映射及融合机制,实现信号实复数关联关系的挖掘;围绕模型卷积池化运算特点,提出了复数神经架构搜索机制,通过设计的搜索空间、搜索策略及评估策略,高效自动地构建出语音增强模型。实验搜索到的最优语音增强模型与基线模型的对比泛化实验中,语音质量客观评价(PESQ)、短时客观可懂度(STOI)两大指标较最优基线模型均最大提升5.6%,且模型参数量最低。

基于交叉特征感知融合的多领域虚假新闻检测

各领域虚假新闻的传播对社会造成了严重的影响,不同领域间新闻的领域偏移问题和跨域关联问题也对模型的预测能力造成了极大的挑战.针对上述问题,本文提出了一种基于交叉特征感知融合的多领域虚假新闻检测方法.该方法可以捕捉不同领域间新闻的多种特征差异,并挖掘新闻之间的关联关系,从多个维度控制模型在不同领域的特征融合策略.此外,本文还提出了一种联合训练框架.本方法的模型使用本框架进行训练,在中英文数据集上的预测F1分数分别达到了92.84%和85.49%,相较于最先进的模型,预测效果分别提升了1.16%和1.07%.

基于知识图谱增强的领域多模态实体识别

针对特定领域中文命名实体识别存在的局限性,提出一种利用学科图谱和图像提高实体识别准确率的模型,旨在利用领域图谱和图像提高计算机学科领域短文本中实体识别的准确率。使用基于BERT-BiLSTMAttention的模型提取文本特征,使用ResNet152提取图像特征,并使用分词工具获得句子中的名词实体。通过BERT将名词实体与图谱节点进行特征嵌入,利用余弦相似度查找句子中的分词在学科图谱中最相似的节点,保留到该节点距离为1的邻居节点,生成最佳匹配子图,作为句子的语义补充。使用多层感知机(MLP)将文本、图像和子图3种特征映射到同一空间,并通过独特的门控机制实现文本和图像的细粒度跨模态特征融合。最后,通过交叉注意力机制将多模态特征与子图特征进行融合,输入解码器进行实体标记。在Twitter2015、Twitter2017和自建计算机学科数据集上同基线模型进行实验比较,结果显示,所提方法在领域数据集上的精确率、召回率和F1值分别可达88.56%、87.47%和88.01%,与最优基线模型相比,F1值提高了1.36个百分点,表明利用领域知识图谱能有效提升实体识别效果。

波束域特征融合的浅海水平阵目标方位估计

针对实际海洋环境影响下水平阵目标方位估计性能降低的问题,提出了一种基于水平阵波束域特征融合的卷积神经网络方位估计方法。首先建立数据计算仿真模型用于生成数据集,利用常规波束形成和最小方差无失真响应两种波束形成器得到波束域特征数据。然后,利用两种波束域特征数据分别训练卷积神经网络模型,仿真和海试数据均表明,训练后的卷积神经网络模型方位估计精度优于常规波束形成、最小方差无失真响应和匹配波束处理,尤其是在端射方向性能提升明显。最后,将两种波束域特征进行前端特征融合后再训练卷积神经网络模型,海试数据测试结果表明,特征融合后的卷积神经网络模型方位估计性能进一步提升,在5°误差范围内的可靠测向概率比单一特征卷积神经网络估计结果高约4%,均方根误差降低约0.2°。

独立性视角下的相频融合领域泛化方法

针对现有的领域泛化(DG)方法对领域特征处理粗糙和泛化能力弱的问题,提出一种基于频域特征独立性这一独特视角解决领域泛化问题的方法。首先,设计频域分解算法,将图像的深度特征快速傅里叶变换(FFT)后,再从相位信息中获得领域无关特征,以提高模型对领域无关特征的识别能力;其次,基于独立性视角,通过对样本的特征赋权,进一步消除频域特征中各属性的相关性,提取最有效领域无关特征,解决样本特征之间相关性带来的泛化能力差的问题;最后,提出幅度融合策略,拉近源域和目标域的距离,进一步提升模型对未知领域的泛化能力。在流行的图像领域泛化的数据集PACS和VLCS上的实验结果表明,所提方法的准确率均值比StableNet分别高0.44、0.59个百分点,且在各个数据集上均取得了优秀的性能。

基于深度学习和多域决策融合的轴承故障智能诊断技术

鉴于滚动轴承振动信号的不平稳性及单一信息域特征的局限性在一定程度上增加了故障诊断难度,提出一种基于深度学习和多域决策融合的轴承故障诊断技术。采用S变换和递归图变换技术将振动信号从一维时域扩展至二维时频域和空间域;为使诊断模型适应故障数据稀缺的现状,构建泛化性和自适应性较好的微型卷积神经网络,学习提取信号的多域特征,并使网络参数低至6个数量级,可实现快速训练和故障诊断;最后引入D-S证据理论对单域诊断结果进行融合。所提方法对凯斯西储大学数据集的9类轴承故障的平均诊断准确率达到99.84%。

基于空间域与频域特征自适应融合和类间边界区域增强的三维海马分割

目的海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志,因此准确分割海马是一个重要的科学问题。随着深度学习的发展,人们提出了大量先进的自动分割方法。然而,由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界,三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。方法为了克服这些挑战,本文提出了两个策略。一种是空间域与频域特征自适应融合策略,通过快速傅立叶变换和卷积自动选择合适的频率组合,减少噪声对特征提取的影响。另一种是类间边界区域增强策略,它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习,以达到精确定位边界和调节海马头、体、尾大小的目的。结果在50例青少年大脑MRI数据集上进行的实验表明,我们的方法实现了较先进的海马分割,海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效,我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力,说明本文提出的方法可用于更多的海马分割场景。结论我们提出的方法可以帮助临床医生更清楚地观测海马萎缩,并完成更精确的病情诊断和追踪。

面向科学与技术的交叉领域研究--概念内涵、测度方法

[目的/意义]科学与技术的交叉融合是前沿创新突破的重要生长点。系统性梳理与总结国内外交叉领域的研究成果,旨在为本领域研究提供参考。[方法/过程]基于科学领域内部交叉、技术领域内部交叉、科学—技术领域间交叉3种交叉类型,梳理交叉领域的概念关系及其内涵,立足计量学与内容挖掘视角,细致阐释交叉领域的测度方法。[结果/结论]基于现有研究,提出交叉领域研究的概念关系与测度方法框架,从3个方面总结该领域未来发展方向:基于科技报告、专著、标准、论文、专利等海量、多源、异构数据的交叉研究,综合3种类型交叉的全局分析,基于交叉领域的前沿创新方向探测。

基于改进Faster R-CNN的红外目标检测算法

为提升红外目标的检测精度,提出了一种引入频域注意力机制的Faster R-CNN红外目标检测算法。首先,针对红外图像边缘模糊和噪声问题,设计了一种并行的图像增强预处理结构;其次,在Faster R-CNN中引入频域注意力机制,设计了一种新型红外目标检测主干网络;最后,引入路径增强金字塔结构,融合多尺度特征进行预测,利用底层网络丰富的位置信息,提升检测精度。在红外飞机的数据集上进行实验,结果表明,改进后的Faster R-CNN目标检测框架比以ResNet50为主干的算法的AP提升了7.6%。此外,与目前主流算法对比,本文算法提高了红外目标的检测精度,验证了算法改进的有效性。

基于时空域特征融合的红外弱小目标检测研究

针对红外图像有效像素少且信噪比低,在空间域下目标与背景和噪声难以区分的问题,提出了一种基于时空域特征融合和改进YOLOv5目标检测网络的红外目标检测方法。该方法通过三维残差结构构建时空域特征融合模块,实现对红外弱目标时空域特征的高效提取,降低红外图像空间域噪声对目标检测的干扰;通过引入CA(Coordinate attention)注意力机制改进YOLOv5卷积神经网络,增强模型对微弱目标的敏感性,解决弱目标检测中目标相对于背景非常微弱的问题。实验结果表明,该方法与YOLOv5s网络相比,精确率增加2.2%,召回率增加2.1%,交并比阈值为0.5时的平均精度值增加3.5%,验证了时空域特征融合方法可以提高红外弱小运动目标的检测精度。

基于多域信息融合的脑电情感识别研究

脑电信号识别方法较少将空间、时间和频率信息相融合,为了充分挖掘脑电信号包含的丰富信息,本文提出一种多域信息融合的脑电情感识别方法。该方法利用二维卷积神经网络和一维卷积神经网络相结合的并行卷积神经网络(PCNN)模型学习脑电信号的空间、时间和频率特征,来对人类情感状态进行分类。其中,2D-CNN用于挖掘相邻EEG通道间的空间和频率信息,1D-CNN用于挖掘EEG的时间和频率信息。最后,将两个并行卷积模块提取的信息融合进行情感识别。在数据集SEED上的情感三分类实验结果表明,融合空间、时间、频率特征的PCNN整体分类准确率达到了98.04%,与只提取空频信息的2D-CNN和提取时频信息的1D-CNN相比,准确率分别提高了1.97%和0.60%。并于最近的类似工作相比,本文提出的方法对于脑电情感分类具有一定的优越性。

一种特征融合的双流深度检测伪造人脸方法

Deepfake技术的迅速发展,使得深度伪造视频和音频内容日益逼真,这种技术被广泛应用于政治伪造、金融欺诈和虚假新闻传播等领域.因此,研究和开发高效的Deepfake检测方法变得尤为关键.本研究探索了一种结合ViT与CNN的策略,充分利用CNN在局部特征提取方面的优势,以及ViT在建模全局关系方面的潜力,以提升Deepfake检测算法在实际应用中的效能.此外,为增强模型对图像或视频压缩引起的影响的抵御能力,引入频域特征,使用双流网络提取特征,以提高模型在跨压缩场景下的检测性能和稳定性.实验结果表明,基于多域特征融合的双流网络模型在FaceForensics++数据集上有较好的检测性能,其ACC值达96.98%、AUC值达98.82%.在跨数据集检测方面也取得了令人满意的结果,在Celeb-DF数据集上的AUC值达75.41%.