基于Swin-Transformer的颈动脉超声图像斑块分割

评估颈动脉超声图像斑块需要大量且经验丰富的临床医生,并且超声图像具有边界模糊、噪声干扰强等特性,使得评估斑块耗时费力,因此需要一种全自动的颈动脉斑块分割方法来解决人力稀缺问题。文中提出了一种基于Swin-Transformer(Shifted-Windows Transformer)模块的深度神经网络模型用于自动分割颈动脉斑块。在U-Net(U-Convolutional Network)架构基础上,编码部分使用3个用于图像下采样的卷积块以获得不同分辨率大小的特征图像,再添加6对连续Swin-Transformer模块用于更细化的特征提取。解码部分将Swin-Transformer模块输出的细化特征逐级上采样,分别与编码部分各级分辨率的特征图进行跳跃连接。基于同仁医院数据集进行对比实验,结果显示所提网络模型Dice指标达到0.8142,高于其他对比网络,证明了所提模型可以有效地提取颈动脉超声图像斑块特征,实现自动化、高精度的斑块分割。

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Swin-Transformer与生成对抗网络的地震随机噪声压制方法

目前深度学习类地震数据去噪方法大多基于卷积神经网络,而此类方法受限于卷积核的局部操作,缺少对地震数据全局特征的分析,因而降低了去噪效果。另外,以L 1,L 2损失函数为指标的网络模型容易出现过度平滑效应,产生虚假同相轴以及虚高的峰值信噪比(PSNR)与结构相似性(SSIM)值。为此,提出一种基于Swin-Transformer(Swin-T)和生成对抗网络的去噪方法(ST-GAN)。该方法以Swin-Transformer作为生成对抗网络中的生成网络对地震数据去噪,判别网络基于卷积神经网络。Transformer的自注意力机制是全局操作,可以有效提取地震数据的全局特征,并能与卷积神经网络的局部操作互补,提升网络模型的特征提取能力。而对抗损失则提升了网络模型的细节恢复能力,有效避免因过度平滑效应产生的同相轴假象。将该方法应用于地震数据去噪,并与现有去噪方法进行对比分析,实验结果表明,该方法具有更加优异的特征提取能力,能在有效压制随机噪声的同时,恢复和保留更多的细节信息,提高了地震信号的信噪比。

基于改进Swin-Transformer模型的铜矿X射线图像分类研究

针对铜矿图像分类中传统神经网络因感受野限制和维度信息阻塞面临的问题,提出了基于X射线透射成像技术改进的Swin-Transformer模型。该模型以Swin-Transformer为基础框架,在主干网络的第二和第三阶段中添加Mixing Block,通过局部窗口自注意力和深度卷积之间的的双向交互,使模型的感受野得到显著增大,从而增强了特征表示和建模能力;同时,引入的EMA(Efficient Multi-Scale Attention)模块,将部分通道重塑为批量维度,并将通道维度分组为多个子特征,使空间语义特征在每个特征组中均匀分布,提升了模型在通道和多尺度空间维度信息融合方面的能力,并增强了对感兴趣区域特征的表征效果。试验以铜矿X射线透射图像为研究对象,选取总计5000张图像,按8∶2划分训练集和测试集,在与传统网络的性能对比试验中选取Swin-Transformer作为模型的主干网络。在选取主干网络的基础之上向模型引入Mixing Block模块和EMA模块进行优化改进。试验结果表明,改进模型解决了感受野和维度信息受限的问题,并在铜矿智能识别任务上达到了94.40%的准确率,而消融试验则证明了改进模块对于模型识别性能的提升,进一步证明了改进方法的有效性。

基于改进Swin-Transformer的柑橘病叶分类模型

针对柑橘病害人工检测效率低、成本高、准确度低等问题,结合人工智能技术对柑橘病叶进行分类识别。首先,建立模拟复杂环境下的柑橘病叶数据集。其次,提出一种改进的Swin-Trasnformer柑橘病叶分类模型,包含局部感知通道增强注意力模块(LPCE),以提升模型的感受野和特征表达能力,通过通道之间的相关性进行加权,使模型更容易提取关键特征。试验证明本文模型的分类识别准确率达到98.52%,精确率、召回率和F 1-score分别达到98.17%、98.24%、98.28%,均超过基线模型。该模型为柑橘病害的检测提供技术支撑。

人工智能风险体系与模块化评价指标构建实证研究

[研究目的]在人工智能蓬勃发展的时代,开展人工智能风险体系构建及其对应的模块化评价指标研究,以全面反映AI发展所带来的潜在风险,为不同领域的研究者提供决策依据。[研究方法]首先,基于扎根理论和专家调查法,系统地抽取和设计模块化人工智能风险评价指标;其次,采用层次分析法,对各指标权重进行测算,形成量化后的得分表,并对风险等级进行划分;最后,借助问卷调查法和专家调查法,对该体系进行应用实证研究,以验证其科学性及可行性。[研究结果/结论]人工智能风险体系包含由9个一级指标和41个二级指标组成的模块化评价指标。该体系涵盖技术、伦理、法律和社会等多个维度。基于此体系可以针对某一人工智能事件或功能,使用主观评价的方法对每一个风险子项进行打分,并最终得出总分。模块化指标可以灵活拆分,以量化测度不同领域的AI风险,兼顾全维度与具象维度的AI风险测度问题。

数字时代老字号企业如何进行价值创造?——基于组织模块化视角的案例研究

数字技术蓬勃发展给老字号企业的价值创造活动带来了机会和挑战。通过对宏济堂的探索性案例研究,基于组织模块化视角揭示数字化时代老字号企业如何进行价值创造的研究发现:(1)存在两种不同形式的价值创造机制,其中组织内部模块化的价值创造以价值链重塑为基础,呈现横向文化价值、信息结构优化的界面联结和纵向理念融合、价值创新的界面联结,并运用了心理、结构和资源赋能的数字化赋能机制;组织外部模块化则以价值网络形成与拓展为基础,呈现文化共建、协同创新的界面联结,并运用了结构和资源赋能的数字化赋能机制。(2)老字号企业的价值创造是组织内外部模块化过程中文化和创新双融的联结结果,是从紧密耦合、非耦合向松散耦合的演化过程。这对老字号企业创新价值创造模式、打造竞争优势具有借鉴意义。

模块化多电平矩阵换流器的等值阻抗模型解析分析

模块化多电平矩阵换流器(M3C)的阻抗建模是柔性低频输电系统稳定性分析和故障特性分析的关键理论基础。介绍了M3C的拓扑结构、数学模型与控制策略。在此基础上,分析了计及M3C拓扑结构特点、dq坐标变换过程和双dq分解控制的扰动电流-桥臂电压-扰动电压传递响应特性,推导了M3C等值阻抗特性与频率的关系,建立了可用固定电阻与随频率变化电抗串联表示的M3C等值阻抗数学模型。在PSCAD/EMTDC仿真平台上利用扫频法对等值阻抗理论分析的准确性进行验证,并讨论了系统控制参数、运行功率、一次参数等不同因素对M3C阻抗频率特性的影响。

课程超市视域下大学英语学分制模块课微认证教学评价模式改革研究

本文探讨了在高等职业教育深化改革背景下,大学英语教学通过课程超市、学分制和微认证等创新评价模式,结合MOODLE平台优化教学质量,促进学生个性化学习及教师专业化发展的实践。文章首先指出传统教学评价的局限性,并介绍了相关政策要求,随后详细阐述了这些创新模式的概念及其应用,特别强调了MOODLE平台在支持微认证评价中的作用。研究结果表明,基于MOODLE的微认证体系显著提升了学生的学习效果和动机,同时为教师提供了数据支持,促进了教学策略的调整。该模式构建了更科学、灵活的教学评价体系,对学生的未来职业发展具有积极影响。

基于Swin-Transformer改进的目标跟踪算法

基于STARK目标跟踪方法中采用ResNet为骨干网络,其特征提取能力不足,跟踪效果较差。针对此问题,本文基于Swin-Transformer网络,提出了一种改进的目标跟踪算法。首先,对Swin-Transformer内窗口注意力机制进行多尺度改进,设计多尺度窗口模块MW-MSA,旨在提取更为丰富的局部细节信息,与全局上下文信息共同构成多尺度判别性特征。接着,结合Transformer的编码-解码结构作为特征融合网络,采用优化的多层感知机作为更新分数判断网络构成状态感知模块。最后,针对目标消失、重现挑战,提出了一种多跟踪器融合方法。融合多尺度改进的跟踪算法和SuperDiMP跟踪算法,设计消失状态判断模块,综合考虑两种跟踪器的置信度分数及目标在预测框附近的可能性估计。实验结果表明,相较STARK跟踪算法,本文算法在GOT-10K数据集上的平均重叠率(AO)提升2.7%、成功率SR_(0.5)提高3.3%。在L-LaSOT数据集上,相较于STARK算法,成功率(AUC)提升0.8%,在目标消失重现挑战下成功率提升1%。

融合残差块与Swin-Transformer机制的刀具磨损监测方法

为进一步提高切削加工过程刀具磨损值监测的精度,提出一种融合残差块与Swin-Transformer模型的刀具磨损监测模型。首先,采用分组卷积残差块提取信号的特征;然后,利用Swin-Transformer模型中的分块滑动窗口自注意力机制对提取的特征进行平移融合;最后,通过回归层实现刀具磨损值监测。试验结果表明,融合一层残差块与一层stage机制的Swin-Transformer模型可以有效融合刀具磨损状态监测信号的全局信息,相比其他Swin-Transformer模型,不仅模型结构简单,而且具有更高的监测精度,利用PHM2010数据集验证的MSE、MAE和R2分别达到4.471 9、1.467 5和0.995 8。

Swin-Transformer故障信息挖掘的海底观测网故障定位方法

海底观测网长期受海洋环境与人为因素影响,易使光电复合缆绝缘破损与海水接触形成电学故障点。如何准确地定位电学故障点,对提高海底观测网输电与信息传输的可靠性至关重要。首先根据海底观测网输电结构建立海底观测网输电模型,推导与模拟电学故障点传播至观测点的暂态电流,然后由连续小波变换提取暂态电流与故障点对应的内在关联特征量,最后通过Swin-Transformer神经网络挖掘内在关联特征量与故障距离的匹配关系来定位电学故障点。研究结果表明,在内在关联特征量样本测试集条件下,光电复合缆≤160 km的电学故障点定位误差小于400 m,可为长距离光电复合缆的海底观测网电学故障点定位提供参考。

结合Swin-Transformer的改进YOLOv5s包装盒缺陷检测算法

针对已有目标检测算法在缺陷检测方面识别精度低、泛化能力差的问题,提出一种基于改进YOLOv5s的包装盒缺陷检测方法。首先,针对包装盒缺陷特征复杂难以识别分类的问题,主干特征提取网络CSPDarknet结构替换为Swin-Transformer结构,提高模型对缺陷特征信息的获取能力和检测精度;其次,在预测端加入Dropout和Label smoothing正则化方法,解决破损包装盒图像中不同缺陷特征交叉分布导致模型识别能力差的问题。试验结果表明,改进后YOLOv5s模型检测精度平均精度均值mAP提升了10.7%,测试时,能有效检测出更多的包装盒缺陷。该模型在包装盒缺陷检测识别任务中检测精度提高,误检率和漏检率降低,有效提高了模型泛化能力。

基于模块化项目教学的课程改革与实践——以团体心理辅导课为例

应用型本科高校改革和建设的核心是课程教学改革,而新一轮的教学改革将是多层次、全方位的改革,其中课程教学改革与实践是提高高校教学质量的关键,也是教学改革的重点和难点。团体心理辅导课程紧紧围绕应用型人才培养要求和课程目标,遵循抓基础、重应用、强实践、能操作的宗旨,教学设计加强了模块化内容和项目任务的融合,构建了模块化项目教学,对团体心理辅导课程的理论教学、实践教学、教学方法、考核方式等方面进行深入具体的教学改革与实践,对培养团体领导者取得显著实效,提高了课程教学质量。

基于UNet+Swin-Transformer的西瓜叶片病害识别的研究

诊断与识别植物叶片的病虫害是农业生产中的一大难题。为了解决西瓜叶片病虫害的诊断与识别问题,方便瓜农评估西瓜叶片的健康状况,提出了一种先分割、后识别的西瓜叶片病害识别算法。该算法首先采用UNet模型对叶片进行分割,其次使用Swin-Transformer模型进行病虫害识别。通过在自建的西瓜叶片数据集上进行对比实验,文章所提算法识别准确率达到92.9%,相比直接在原始图像上使用Swin-Transformer模型进行病虫害识别,准确率提高了3.2%。实验结果表明,使用分割后的图像进行病虫害分类可以显著提高识别准确率。

基于项目学习的学科教学英语专硕课程模块化教学模式设计与实践

文章首先概述了模块化教学模式,然后阐述了基于项目学习的学科教学英语专硕课程模块化教学模式设计,接着从以理论学习为主的第一阶段、以实践活动为主的第二阶段、以反思与总结为主的第三阶段三个阶段论述了基于项目学习的学科教学英语专硕课程模块化教学模式实践,最后分析了基于项目学习的学科教学英语专硕课程模块化教学模式实践效果。

大学生职业发展与就业指导课程模块化设计与实施——高质量就业引领下

近年来,教育部连年推出促进高校毕业生高质量就业的各项举措,对高校毕业生就业质量持续关注,大学生职业发展与就业指导课程作为一门培养高校学生树立正确的职业价值观、养成良好职业素养并促进提高毕业生就业质量的课程,现已纳入综合应用必修课体系,且在全校全部专业范围内开课。职业院校人才培养的性质和目标是以就业为导向,因此促使职业院校学生尽早熟悉职业、规划职业目标、强化职业素养、提升求职技巧对实现高质量就业尤为重要。

模块化滚筒好氧发酵反应器设计与试验

针对现有滚筒式好氧发酵反应器存在腔体容积固定不可调、运行能耗高、尾气余热回用难等问题,基于模块化设计理念,研发了一种模块化滚筒好氧发酵反应器,主要由滚筒、曝气系统、余热回用装置、驱动系统和密封连接件等模块单元组成。对模块化滚筒好氧发酵反应器进行堆肥性能试验,结果表明:高温期持续9 d,发酵持续15 d后种子发芽指数达90%以上,各项指标均满足堆肥腐熟和无害化要求。该设计提高了滚筒好氧发酵反应器加工组装效率,扩大了滚筒好氧发酵反应器适用范围,具有规模可调、分段驱动、分级发酵、精准曝气等优点,可为滚筒好氧发酵反应器堆肥技术发展和应用提供支撑。

CARFB:即插即用的目标检测模块

针对坐标注意力(CA)在水平和垂直方向特征的平均池化可能丢失目标显著特征,以及使用二维普通卷积对小目标特征学习不足的情况,提出了CARFB(coordinate attention and receptive field block)模块。该模块将CA的平均池化修改为平均+最大池化,以保留输入特征在水平和垂直方向的显著和细节信息;利用RFB具有不同大小感受野的优势,在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积,以同时提取不同大小目标的特征;引入包含不同大小卷积核和步长的CBS模块,替换CA的二维普通卷积,进一步提取水平和垂直方向的特征,得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息,利用不同感受野提取不同大小目标的强辨别性特征,从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能,将其嵌入ObjectBox目标检测框架,得到ObjectBox-CARFB模型;用CARFB模块替换RFBnet中的RFB模块,得到CARFBnet目标检测模型。MSCOCO数据集的实验测试表明,ObjectBox-CARFB模型的性能得到全面提升,尤其对小目标的检测性能提升突出;PASCALVOC和MSCOCO数据集的实验结果表明,CARFBnet300和CARFBnet512的目标检测能力分别优于原始RFBnet300和RFBnet512模型,并优于其他同系列对比模型。提出的CARFB模块具有更强的特征学习能力,对不同尺度目标均能取得较好的检测效果,特别是在小目标检测方面,效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络,能保存更多的目标信息,具有更强的特征学习能力和更高的网络性能,对不同尺度目标均能取得较好的检测效果,尤其对小目标的检测效果提升显著。

基于Swin-Transformer的岩石自动分类识别

地质勘探领域中,岩石准确识别对于资源评估、勘探定位以及环境保护等方面具有重要意义。然而,传统岩石识别方法依赖于地质学家的观察和经验,存在效率低、主观性强和对专家经验依赖等问题。为了解决以上问题,提出了一种基于Swin-Transformer的岩石自动分类识别算法。该算法通过引入分阶段的注意力机制,将图像分割成不同的块,利用窗口化注意力机制使得每个图像块只与其附近的块进行交互,从而显著降低了计算和内存消耗。实验结果表明,与当前流行的分类模型如ResNet和EfficientNet相比,提出的模型在分类识别效率和准确率上都有显著提高,Top-1准确率达到91.3%,Top-5准确率可达到98.56%。不仅提高了岩石识别的准确性和效率,且通过自动化处理流程,减少了对人工干预的依赖,为地质学研究和工程应用提供了有力支持。