面向乳腺超声的跨模态注意力网络

B型超声和超声造影是乳腺诊断中最常见的多模态数据,克服现有研究中广泛存在的肿瘤区域标注难、模态间关系剥离难、模态融合特征冗余的问题,能有效提升联合模态乳腺肿瘤诊断的准确率。该文提出了一个面向乳腺超声的跨模态注意力网络。该网络以双分支为基础结构。堆叠双模态数据分支能隐式地建立模态间的关系,同时提取单双模态数据特征。超声造影分支在缺乏手工标注的情况下,利用跨模态注意力模块,关注时空上的造影特征。最后利用压缩通道融合子网将两个分支融合,最大程度利用特征并降低模态融合特征冗余。在乳腺超声数据集BUS_Dataset上的实验表明,该网络优于现有乳腺肿瘤诊断方法。通过多项指标分析,该方法对乳腺肿瘤诊断具有较强的指导意义。

联合多流融合和多尺度学习的卷积神经网络遥感图像融合方法

为尽可能保持原始低分辨率多光谱(LRMS)图像光谱信息的同时,显著提高融合后的多光谱图像的空间分辨率,该文提出一种联合多流融合和多尺度学习的卷积神经网络遥感图融合方法。首先将原始MS图像输入频谱特征提取子网得到其光谱特征,然后分别将通过梯度算子处理全色图像得到的梯度信息和通过卷积后的全色图像与得到的光谱特征图在通道上拼接输入到具有多流融合架构的金字塔模块进行图像重构。金字塔模块由多个骨干网络组成,可以在不同的空间感受野下进行特征提取,能够多尺度学习图像信息。最后,构建空间光谱预测子网融合金字塔模块输出的高级特征和网络前端的低级特征得到具有高空间分辨率的MS图像。结合WorldView-3卫星获取的图像进行实验,结果表明,所提方法生成的融合图像在主观目视检验和客观评价指标上都优于大多先进的遥感图像融合方法。

分布式网络雷达检测融合处理算法

针对分布式网络雷达的特点,提出将检测融合应用于数据处理系统,给出了检测融合处理算法,并对子网融合的性能进行了仿真。仿真分析表明,将检测融合应用到分布式网络雷达数据处理,对提高系统的探测性能是有效的,尤其是对提高对低空、慢速、小目标的发现概率,有较大的实际意义。

基于分布式多子网神经网络的传感器静态误差修正

为消除温度等非目标参数对传感器输出特性的影响 ,本文提出了一种采用多传感器数据融合技术的传感器静态误差修正新方法———传感器冗余法。该方法的显著优点是系统不需测量非目标参数 ,通过对多种传感器输出数据融合达到消除非目标参数对传感器输出的影响 ,实现正确检测传感器的输入。同时本文首次提出了一种新的神经网络结构 :分布式多子网神经网络 ,并将其用于实现该修正方法。模拟实验表明 ,该网络在泛化能力、学习速度等方面均优于BP网络和RBF网络。其多子网、自动分解任务的特点尤其适用于复杂样本的学习 ,具有很好的应用前景。

专家多源信息融合算法研究

为了全面获取科研及技术领域专家的信息,更加科学规范地对专家影响力进行评估,同时为专家选择科研合作对象提供参考,提出了专家多源信息融合算法。该算法从科技论文和专利中抽取作者信息,构建专家合作关系子网;从专家Web页面抽取专家相关数据构建Web子网;从科技论文、专利中抽取关键词和摘要,构建关键词词典,并分析专家研究主题,构建主题子网。通过专家合作关系子网、Web子网和主题子网融合算法,实现了专家多源信息的有效融合。实验以机器学习领域为研究点构建机器学习领域专家信息网络进行实证研究。结果表明,专家信息网络融合算法在个人信息构建与领域信息构建方面均能够准确表示专家个人信息与领域专家信息,验证了融合算法的有效性。