基于深度学习的低光照图像增强研究综述

低光照图像增强的目的是优化在光线不足的环境中捕获的图像,提升其亮度和对比度。目前,深度学习在低光照图像增强领域已成为主要方法,因此,有必要对基于深度学习的方法进行综述。首先,将传统低光照图像增强方法进行分类,并分析与总结其优缺点。接着,重点介绍基于深度学习的方法,将其分为有监督和无监督两大类,分别总结其优缺点,随后总结应用在深度学习下的损失函数。其次,对常用的数据集和评价指标进行简要总结,使用信息熵对传统方法进行量化比较,采用峰值信噪比和结构相似性对基于深度学习的方法进行客观评价。最后,总结目前方法存在的不足,并对未来的研究方向进行展望。

深度学习赋能波束管理:现状、挑战与机遇

随着载波频率的不断提高和大规模天线阵列的广泛部署,基于模拟移相器的波束赋形成为下一代无线通信的标志性技术之一。此时,波束管理被用于获取和维护基站和用户端具有最大接收功率的最优波束对,以保障可靠的无线通信服务。传统波束管理方法往往依赖于海量搜索。同时,传统数学模型无法全面的、准确刻画非线性的波束的内在关联和高维无线环境特征,因而难以取得令人满意的波束增益性能。近年来,得益于深度学习强大的自适应拟合能力,深度学习赋能波束管理得到了国内外广泛关注。本文总结了深度学习赋能波束管理的研究进展,并展望了未来的研究方向。首先,阐述了深度学习应用于波束管理的典型场景和潜在优势;随后,从空/时/频域切入,讨论当前深度学习赋能波束管理的主要研究路线和代表性工作;最后,面向更大规模的无线网络、更多元的波束管理功能和更鲁棒的深度学习模型,阐述未来的研究挑战与机遇。

深度学习图像重建算法(DLIR)对能谱CT多参数图像质量改善的体模研究

目的 探讨深度学习重建算法对能谱CT多参数成像单能量图像、有效原子序数图、碘水图、水碘图图像质量的改善。方法 选择一个20cm直径的圆柱形聚丙烯体摸,在内部放入九支试管,试管中分别装入(3.75、7.5、15、30mg/mL)不同浓度及(18m m、10m m、2 m m)不同管径的碘对比剂及水和钙溶液,利用GE APEX CT进行能谱扫描,将扫描完成图像分别利用FBP、40%ASIR-V及深度学习(低DLIR-L、中DLIR-M、高DLIR-H)重建出五组图像。采用后处理软件分别重建出70keV单能量图像、基物质图(碘-水图、水-碘图)及有效原子序数图。对浓度为3.75 mg/m L、15 mg/mL及Water三支试管进行数据分析。在FBP、40%ASIR-V、DLIR-L、DLIR-M、DLIR-H五组图像测量70keV的CT值、碘-水图的碘浓度、水-碘图的水浓度、有效原子序数及图像噪声,计算各图像的信噪比(SNR),对比5组图像质量的差异。结果5种重建算法下的图像在低浓度造影剂(3.75mg/mL)、高浓度造影剂(15mg/m L)及水试管内70keV的CT值差异均无统计学意义(P值均>0.05),有效原子序数、碘水图的碘浓度及水碘图的水浓度亦无明显统计学差异(P值均>0.05)。70keV、有效原子序数图、碘水图、水碘图的噪声及图像信噪比5组图像差异均有统计学意义(P值均<0.05),DLIR下的噪声值均较FBP及40%ASIR-V降低,图像信噪比提高(P值均<0.05),DLIR-H噪声最小,信噪比最高。结论 在能谱CT成像中, DLIR较FBP及40%ASIR-V在单能量图像、有效原子序数图、碘水图、水碘图的噪声降低,信噪比提高。

指向深度学习的“信息技术”课程单元教学设计研究

深度学习的目的在于发展学习者的高阶思维,让学习真正发生,是培养学生信息技术核心素养的必然要求。单元教学设计是提高一线课堂教学质量的有效方法,是促进学生深度学习的有效工具。指向深度学习的单元教学需要确定单元主题,制定单元目标,设计单元学习活动,制定评价体系。本文结合信息技术学科特点,构建指向深度学习的单元教学设计模型,结合高中“信息技术”具体教学内容进行探索实践,力求促进学生深度学习。

基于深度学习的水声信道估计技术

在水声通信中,传统的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)系统需要大量导频数量和循环前缀以维持系统性能,严重浪费有限的频域资源。因此,利用深度学习辅助OFDM恢复失真的传输数据。具体地讲,利用改进的残差块提取和双向记忆接收信号。将自归一化网络(Self-Normalizing Network, SNN)与注意力机制结合,有效分配信道权重,以便系统更有效地利用信道资源,最小化信号失真。使用深度神经网络(Deep Neural Network, DNN)实现接收信号的分类,以准确地恢复接收信号。提出的ICANet(Improved Residual Network, Convolutional Neural Network and Attention Mechanism Self-Normalizing Network)模型可应用于由Bellhop软件生成的水声环境。仿真结果证明,与传统技术中的最小二乘法(Least Square, LS)以及现有的深度学习模型相比,所提出的模型在循环前缀受限的情况下可达到更低的误码率。

基于英语学习活动观的深度学习可视化策略研究——以《多维阅读》绘本第六级Living in Space为例

深度学习的目标是培养学生的核心素养。文章结合具体案例,从依据英语学习活动观设计表现性任务,到根据任务呈现具有深度学习特征的评价工具,并最终输出学生深度学习的可视化结果三个方面,探讨基于英语学习活动观的深度学习可视化过程。

基于深度学习的“劳动教育”课程资源数据分析研究

随着人工智能技术的飞速发展,作为其核心分支,深度学习在教育领域的应用日益广泛。作为培养学生实践能力和社会责任感的重要环节,“劳动教育”课程资源的有效整合与分析对于提升教育质量至关重要。基于深度学习技术,文章对“劳动教育”课程资源进行了数据分析与研究。首先,构建了数据预处理、特征提取与选择、模型选择与优化、模型评估等深度学习模型;其次,利用该模型对“劳动教育”课程资源进行了分类、聚类和推荐。研究结果表明,基于深度学习的方法能够有效提高该课程资源的利用效率,为优化提供了新思路。

深度学习在医学图像分析中的应用

作为医学领域中非常重要的技术手段,医学图像分析技术可以实现对病灶的定位、分割及定量分析,从而为医生提供更加准确、可靠的诊断和治疗方案。文章介绍了深度学习在医学图像分析中的应用流程,包括数据收集、预处理、模型选择、训练和应用等。U-Net与MaskR-CNN等深度学习模型被广泛应用于医学图像分析任务中,通过对其进行迭代与优化,能够自动提取和学习医学图像中的特征,从而提高模型的性能和泛化能力。当前,医学图像分析技术面临诸多挑战,但随着技术的不断发展,将为医学诊断和治疗提供更加精准、高效的技术支持。

基于嵌入式平台的深度学习人脸识别关键技术研究

为了进一步加大人脸识别技术的普及与扩宽应用,人脸识别算法部署到计算资源有限的嵌入式设备成为热门的问题。因此,通过优化深度学习模型、压缩网络结构和提升嵌入式设备的计算效率,可以实现快速、准确的人脸识别,为信息安全和智能化应用提供有力支持。

深度学习视角下的数学探究活动课——“探究抛物线焦点弦的端点处切线的交点轨迹”教学反思

以“探究抛物线焦点弦的端点处切线的交点轨迹”为例,探究解析几何变化中的不变性,感悟代数法证明几何问题的简洁性、整体性和连贯性;认识数学知识本质,启发深度学习,建构知识网络,培育科学精神,发展学科核心素养.

融合深度学习和影像组学特征的胰腺囊性肿瘤分类模型研究

目的:为提升胰腺囊性肿瘤分类的准确率和一致性,构建融合深度学习和影像组学特征的综合分类模型。方法:首先,利用影像组学技术提取胰腺囊性肿瘤图像的影像组学特征,采用ResNet50卷积神经网络提取胰腺囊性肿瘤图像的深度学习特征,并采用最小绝对收缩选择算子特征筛选方法对特征进行筛选,得到关键特征;其次,基于关键特征构建单一影像组学的特征模型、单一深度学习的特征模型、融合深度学习和影像组学特征的综合分类模型;最后,选用逻辑回归、随机森林、自适应提升以及支持向量机(support vector machine,SVM)4个分类器对上述3种特征模型进行对比测试,以验证3种模型对胰腺囊性肿瘤的分类效果。结果:融合深度学习和影像组学特征的综合分类模型在SVM分类器上表现最好,准确率为89.34%、召回率为92.13%、精确率为75.34%、AUC值为0.90,F1值为0.83,均优于单一影像组学特征模型和单一深度学习特征模型。结论:融合深度学习和影像组学特征的综合分类模型更能挖掘出各类特征之间是否存在互补关系,具有较好的胰腺囊性肿瘤分类性能,能够为进一步的精准诊断和治疗提供帮助。

基于深度学习的基础设施表面裂纹检测方法研究进展

民用基础设施在长期使用后容易发生物理结构或性能状态的改变,对其功能和使用安全造成一定的损害,因此,对这类设施的结构健康监测是十分必要的。裂纹检测是结构健康监测中极其重要的一部分,及时检测并识别这类损伤,能有效避免事故的发生。基于计算机视觉的表面裂纹检测方法操作简单、检测速度快、准确率高,被广泛应用于民用基础设施的表面裂纹检测。从图像分类、目标检测、语义分割三个不同的检测方向综述了基于深度学习的基础设施表面裂纹检测方法,总结了常见的数据采集方法和常用的公共裂纹数据集。最后讨论了基于深度学习的基础设施表面裂纹检测方法存在的困难与挑战,并展望了未来可能的发展方向。

基于深度学习的高效率烤烟等级识别模型研究

烤烟的等级识别是烟草产业的一个关键环节,为了降低烟农烤烟分级劳动强度,减少主观因素,提高识别精度,需要实现烤烟的自动分级。研究了深度学习中多种卷积神经网络的多层特征提取方法,并基于ShuffleNetV2网络提出一种改进的网络模型(ShuffleNetV2_FTC)。ShuffleNetV2_FTC网络是将ShuffleNetV2网络的主干单元进行更改,并引入CBAM(Convolutional Block Attention Module)注意力机制和SiLU激活函数。应用该模型对27种类别的烤烟图像进行识别分类。该模型的最佳测试准确率为93.09%,检测帧率达到每秒15.3张。相对原模型获得了0.24%(0.5×)、6.06%(1×)和4.73%(1.5×)的准确率提升,每秒检测12.3张图片到15.3张图片的检测帧率提升。ShuffleNetV2_FTC网络结合机器视觉技术可以很好地识别烤烟等级,为优化烤烟的收购、烘干和加工等流程奠定基础。

深度学习在口腔影像分析中的应用

背景:近年来深度学习技术越来越多地被运用于口腔医学领域,提高了口腔影像分析的效率及准确率,推动了口腔智能医学的迅速发展。目的:基于口腔影像,阐述深度学习在口腔疾病诊断和治疗方案决策方面的研究现状、优势与局限性,探讨深度学习技术背景下口腔医学变革的新方向。方法:应用计算机检索PubMed数据库中2017年1月至2024年1月发表的深度学习在口腔医学影像领域应用的相关文献,检索词为“deep learning,artificial intelligence,stomatology,oral medical imaging”等,按入组标准筛选后最终纳入80篇文献进行综述。结果与结论:(1)经典的深度学习模型包括人工神经网络、卷积神经网络、递归神经网络和生成对抗网络等,学者们以或竞争或联合的形式运用这些模型,实现更高效的对口腔医学影像的解释。(2)在口腔医学领域,疾病诊断和治疗方案的制定在很大程度上依赖医学影像资料的判读,而深度学习技术拥有强大的图像处理能力,无论是在辅助诊断龋齿、根尖周炎、牙根纵裂、牙周病、颌骨囊肿等疾病方面,还是在辅助第三磨牙拔除术、颈淋巴结清扫术等治疗操作的术前评估方面,深度学习都能帮助临床医生提高决策的准确率与效率。(3)尽管深度学习有望成为口腔疾病诊治的重要辅助工具,但它在模型技术、安全伦理、法律监管方面仍有一定的局限性,未来的研究应侧重于证明深度学习的可推广性、稳健性和临床实用性,寻找将深度学习自动化决策支持系统应用于常规临床工作流程中的最佳方式。

基于深度学习的教室照明系统研究与设计

针对传统传感器教室照明控制方式灵敏度差以及教室人员检测算法存在错检、漏检的问题,为了充分且合理利用教室照明设备资源,提出一种基于改进YOLOv5和区域定位的教室照明系统,该系统判定出教室人员所处的子区域,并生成照明设备的控制信息。通过在自制数据集训练、测试,并搭建LED点阵模拟教室照明,结果表明,YOLOv5的精度达到93%,召回率达到96%,可以准确实时地控制教室中的照明设备,系统具有更好的照明便捷性,更节能。

深度学习方法在红花采摘机器人中的应用

为实现农业复杂环境中红花的快速准确识别,提出了一种基于深度学习方法的改进YOLOv5s红花目标检测算法。在YOLOv5s基础上融入适配GPU的轻量Ghost模块,获得复杂度更低、网络推理速度更快的基线模型,将CBAM注意力机制嵌入基线模型,增强了小目标物在高频特征中的表现力,并通过建立一种基于边界框宽和高差值的Focal-EIoU损失函数,提高红花在不同遮挡情况下的识别率。最后,在并联式红花采摘机器人上开展红花识别试验,验证改进算法的可行性和可靠性。结果表明:改进后的YOLOv5s模型相较于原始模型在mAP值上提高了1.94个百分点,模型参数量和单幅图像检测速度分别为3.52 MB和0.06 s/幅,红花采摘机器人视觉系统的平均识别成功率可达89.92%。

求解外卖配送问题的深度强化学习算法

以最小化骑手费用效益比为优化目标,采用最小比率旅行商问题对外卖配送问题进行建模。针对目前算法在求解该问题时计算精度低、算法稳定性差等问题,设计一种基于深度强化学习的DRL-MFA算法。首先,定义外卖配送问题的马尔可夫决策模型来模拟智能体与环境的交互过程;其次,在编码阶段设计多特征聚合嵌入子层,实现特征间的优势互补并提高模型对非线性问题的建模能力;最后,在解码阶段通过注意力机制和指针网络计算解的概率分布,采用策略梯度算法对网络模型进行训练。通过经典算例和长春市仿真案例的相关实验分析,结果表明该算法能够有效地求解外卖配送问题,且与其他启发式算法相比,具有更高的稳定性和求解精度。此外,进行参数灵敏度实验,考虑不同定价策略对外卖配送的影响,使研究结果更具现实意义。

融合深度强化学习与算子优化的流式任务调度

针对实时性要求高和作业量大的流处理作业执行过程中,多个作业之间存在的相同处理片段可能会导致流处理引擎重复计算、资源浪费和处理性能低下的问题,提出了融合深度强化学习与算子优化的流式任务调度方法。首先利用算子优化算法将多个复杂的作业去重、重构,其次将重构得到的作业输入循环神经网络中得到任务的调度策略,最后利用强化学习模型进行调度策略的优化。所提方法利用算子优化减少了每个作业中创建的算子实例,结合深度强化学习自动发现最优的调度策略,有效地避免了因大量实例运行而造成的系统资源不足、数据拥塞等问题。对比实验结果表明,所提方法在吞吐量和延迟方面的表现更优异。

深度学习在心力衰竭检测中的应用综述

随着生物医学技术的发展,利用生物信号进行心力衰竭的早期诊断已成为提高患者生存率和降低治疗成本的关键策略。在此背景下,深度学习技术的迅猛发展为心力衰竭检测开辟了新路径。系统地综述了深度学习在心力衰竭检测中的最新进展和应用。概述了心力衰竭检测涉及的主要生物医学信号和公开数据集。详细分析了深度学习在心力衰竭诊断领域的应用及其发展,特别是对卷积神经网络和长短期记忆网络处理心电图、心率变异性、心音等关键生物医学信号的能力进行了深入分析,总结了这些技术的优势、局限性,并对各类模型性能进行了比较。探讨了通过融合多种人工智能技术所构建的混合模型在提升检测精度和模型泛化能力方面的潜力,以及如何利用模型的可解释性来增加检测过程的透明度,提升医生的信任度。最后总结了当前研究存在的不足,并对未来研究方向提出展望,强调了跨学科合作在推动心力衰竭检测技术进步中的重要性。

高中数学教学中深度学习模型的构建与优化

随着信息社会的快速发展,知识更新换代的速度日益加快,这对高中数学教学提出了更高的要求.如何培养学生的核心素养,使他们在不断变化的世界中具备解决问题的能力,成为教育界的重大课题.深度学习作为一种先进的教育方法,为高中数学教育提供了新的路径,即以内在逻辑知识的获取、加工和应用为基础构建深度学习模型:关联社会真实主题,创设数学问题;搭建理解性学习环境,提供数学学习支架;构建活动与体验载体,重视思维培育;深化技术赋能,推动模型与信息资源整合;适时引导归纳,聚焦迁移运用.