基于高置信度伪标签数据选择算法的临床事件抽取方法

【目的】事件抽取是构建高质量事件知识图谱的前提。临床事件抽取过程中事件元素存在依赖关系,现有方法无法准确识别事件元素并组合为事件,且现有临床事件标记数据较少,给事件抽取任务带来了极大的挑战。【方法】将临床事件抽取建模为实体识别模型,提出一种融合多特征的中文医学事件抽取方法:BERT-MCRF.该方法使用BERT构建模型的嵌入和特征提取部分,在CRF层加入多个字的滑动窗口特征,然后将BERT-MCRF作为半监督实验的基实验,提出一种高置信度伪标签数据选择算法作为筛选数据的条件,得到较高质量的300条数据与原始数据合并,最终构建了1700条语料,并重新训练模型。【结果】BERT-MCRF模型在3种属性实体上的整体F1值达到80.21%,比经典的BiLSTM-CRF模型提升15.11%;通过半监督思路重新训练的模型最终F1值达到81.56%,较原始BERT-MCRF提升了1.35%.

基于结构重参数化与多尺度深度监督的COVID-19胸部CT图像自动分割

基于深度学习模型的胸部CT(Computed Tomography)图像自动分割有助于辅助医生诊疗.但随着网络宽度与深度的加深,网络训练困难且推理减慢.为提高隐藏层的学习能力,深度监督机制被用于网络训练.但以往的深度监督方法没有考虑模型中多尺度特征图的分层表示以及上采样对参与损失计算的特征图质量的影响.为加强隐藏层学习过程的直接性同时加快网络推理,本文提出一种结构重参数化与多尺度深度监督分割网络(Structural Reparameterization and Multi-scale Deep Supervision Network,SR&MDS-Net),以实现COVID-19(COrona VIrus Disease 2019)胸部CT图像的高效准确分割.首先构建一种结构重参数化特征变异(Structure Reparameterized Featurev ariation,SRFV)模块将网络的训练与推理进行解耦,在提高模型表达能力的同时加快推理速度;然后,提出一种新颖的多尺度深度监督机制,以加强网络监督效果,提高网络性能.在公开的COVID-19胸部CT图像数据集上进行实验,SR&MDSNet的灵敏度、特异性、准确率、Dice分别达到了91.5%、99.5%、72.8%、80.1%,与同类其他方法比较,具有更优的性能.

基于GPS轨迹的用户移动行为挖掘算法

挖掘用户的移动行为,可以通过对交通出行方式进行识别来实现。传统的交通方式识别方法在交通堵塞或多种交通方式结合的情况下,识别效果并不理想。针对这种情况,提出基于轨迹分段和监督式学习相结合的识别方法,首先利用速度小于某一阈值的数据点将原始GPS轨迹划分为交通方式单一的子轨迹段,然后对子轨迹段分别抽取特征,采用监督式学习方法建立推断模型对不同子轨迹的交通方式进行识别。实验结果表明,提出的算法能够有效地识别不同交通方式,达到较为理想的效果。同时在交通堵塞的情况下也能够很好地识别。

基于深度学习的显著性目标检测方法综述

显著性目标检测旨在对图像中最显著的对象进行检测和分割,是计算机视觉任务中重要的预处理步骤之一,且在信息检索、公共安全等领域均有广泛的应用.本文对近期基于深度学习的显著性目标检测模型进行了系统综述,从检测粒度的角度出发,综述了将深度学习引入显著性目标检测领域之后的研究成果.首先,从三个方面对显著性目标检测方法进行了论述:稀疏检测方法,密集检测方法以及弱监督学习下的显著性目标检测方法.然后,简要介绍了用于显著性目标检测研究的主流数据集和常用性能评价指标,并对各类主流模型在三个使用最广泛的数据集上进行了性能比较分析.最后,本文分析了显著性目标检测领域目前存在的问题,并对今后可能的研究趋势进行了展望.

半监督邻域保持嵌入在高光谱影像分类中的应用

为了解决高光谱遥感影像的维数约简问题以提高分类算法的分类精度,并针对高光谱影像通常只包含少量标记样本的问题,提出了基于一种半监督邻域保持嵌入(SSNPE)和改进的KNN分类器的高光谱影像分类算法。该算法在NPE的基础上同时利用同类标记样本和邻域未标记样本获得数据的邻域嵌入结构,并且通过增加标记近邻样本的权重加大降维数据的鉴别性,进而增加k近邻分类器的样本分类精度。在Urban、Indian高光谱影像数据集上的实验结果表明,改进的算法的分类精度提高了约8.7%、3.6%以上,分类性能有了较明显的改善。

长短期时间序列关联的视频异常事件检测

目的 多示例学习是解决弱监督视频异常事件检测问题的有力工具。异常事件发生往往具有稀疏性、突发性以及局部连续性等特点,然而,目前的多示例学习方法没有充分考虑示例之间的联系,忽略了视频片段之间的时间关联,无法充分分离正常片段和异常片段。针对这一问题,提出了一种长短期时间序列关联的二阶段异常检测网络。方法 第1阶段是长短期时间序列关联的异常检测网络(long-and-short-term correlated mil abnormal detection framework,LSC-transMIL),将Transformer结构应用到多示例学习方法中,添加局部和全局时间注意力机制,在学习不同视频片段间的空间关联语义信息的同时强化连续视频片段的时间序列关联;第2阶段构建了一个基于时空注意力机制的异常检测网络,将第1阶段生成的异常分数作为细粒度伪标签,使用伪标签训练策略训练异常事件检测网络,并微调骨干网络,提高异常事件检测网络的自适应性。结果 实验在两个大型公开数据集上与同类方法比较,两阶段的异常检测模型在UCF-crime、ShanghaiTech数据集上曲线下面积(area under curve,AUC)分别达到82.88%和96.34%,相比同为两阶段的方法分别提高了1.58%和0.58%。消融实验表明了关注时间序列的Transformer模块以及长短期注意力的有效性。结论 本文将Transformer应用于时间序列的多示例学习,并添加长短期注意力,突出局部异常事件和正常事件的区别,有效检测视频中的异常事件。

基于时间递推与有师学习的交通路径动态诱导

为提高路况信息获取的预知性和路径引导的时效性,首先综合车辆运行过程中不同时段的路况差异和人因作用,运用时间递推原理,构建交通路径动态诱导整体结构模型,比较知识库累积经验路径与实时路况信息,为驾驶人的时间最短通行路径选择提供信息支撑;然后基于有师学习思路,对路径诱导逻辑内核结构进行解析,给出局部绕行和整体绕行2种算法实现的伪代码;最后通过对不同时刻出行和相同时刻出行的实例仿真分析,验证模型及程序的可靠性。研究结果表明:该交通路径动态诱导方法可辅助驾驶人及时对路况做出正确判断,减少因经验不足和突发事件造成的时间损失,适用于安装有GPS导航的车辆。

基于深度学习的低信噪比下的快速超分辨荧光显微成像

超分辨荧光成像实验的分辨率和成像质量与实验过程中收集到的荧光分子光子数和背景噪声有着密切的关系。为了实现低光子数、高背景光下的快速超分辨荧光显微成像,利用所提卷积神经网络算法实现了对极低信噪比信号的恢复,并结合重构网络进行了超分辨成像。结果表明:利用该方法可以实现荧光信号在低信噪比下的有效恢复,峰值信噪比可达27 dB,明显优于同类的其他两种算法。该方法还可以配合Deep-STORM重构网络在低信噪比下实现快速的超分辨成像。重构结果的归一化均方误差为7.5%,分辨率相较其他算法有明显提升。实验条件下的重构结果验证了该方法的能力,为弱信号下的荧光快速超分辨成像提供了可行方案。