基于深度学习监控场景下的多尺度目标检测算法研究

针对监控环境下的视频图像处理存在漏检这一问题,分析现有目标检测算法中普遍使用的深度学习方法—Faster R-CNN,在VGG16卷积神经网络基础上,对深度卷积神经网络进行改进,在第一层卷积层中加入空洞卷积核,扩展神经网络的宽度,使得目标检测模型具有尺度不变性.在深度学习平台PyTorch下对Cifar-10数据集进行了实验,实验结果显示,改进的目标检测算法具有较好的尺度不变性,在监控场景下更具优势.

基于ORB和最小凸包的感兴趣区域检测方法研究

随着科技的发展,如何准确检测出复杂背景情况下的感兴趣区域(ROI)和提高检测方法的实时性已经成为图像处理领域亟待解决的问题。针对此问题,提出了基于ORB(oriented brief)算法检测特征点,并采用最小凸包检测感兴趣区域的方法。首先,采用ORB算法提取出图像中的特征点,然后从中挑选出效果良好的点对图像进行描述,最后采用最小凸包算法检测出感兴趣区域。与其他算法在检测速度复杂环境下的检测结果对比实验表明,ORB和最小凸包算法的结合在保证检测精度的基础上提高了检测速度。

脂肪积聚肝恶性转化模型制备及其生物信息学分析

目的:制备非酒精性脂肪肝(nonalcoholic fatty liver disease,NAFLD)和诱导肝细胞恶性转化模型,观察基因表达谱动态变化。方法:雄性Sprague-Dawley(SD)大鼠分别以高脂饲料喂饲制备非酒精性脂肪积聚,以含0.05%2-乙基氨基芴(2-fluorenylacetamide,2-FAA)高脂饲料喂饲诱发鼠肝细胞恶性转化,根据肝病理学苏木精-伊红(Hematoxylin&Eosin,HE)染色检查结果分为对照(normal control,NC)、NAFLD、肝细胞变性(hepatocyte degeneration,H-deg)、癌前(precanceraion,Pre-c)和癌变(liver cancer,LC)组,脂质以油红O染色行定量分析,从肝组织抽提RNA并合成cRNA、标记、杂交和扫描,利用基因芯片分析各组差异基因表达谱动态变化,对差异表达基因行基因本体论(gene ontology,GO)和京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes,KEGG)富集分析。结果:SD鼠摄入脂肪后,肝脂肪积聚与NC组比较,NAFLD组升高9倍(t=14.78,P<0.001)、H-deg组2.4倍(t=5.96,P<0.001)、Pre-c组2.3倍(t=8.37,P<0.001)和LC组8倍(t=11.97,P<0.001)。与NC组比较全基因表达谱变化,差异表达基因NAFLD组163个,H-deg组934个,Pre-c组1452个,LC组1738个。生物学过程主要集中在细胞对刺激反应的代谢调节。肝细胞恶化转化中信号通路主要有固醇合成、P53、细胞周期信号通路,其中固醇合成通路Cyp51,Tm7sf2显著下调,Ccnb1和周期蛋白依赖性激酶1(cyclin-dependent kinases 1,CDK1)与P53通路和细胞周期相关。癌变相关标志甲胎蛋白(alpha-fetoprotein,AFP)、磷脂酰肌醇蛋白多糖-3(glypican-3,GPC-3)、CD44和Wnt3a等表达,在Pre-c组和LC组中明显上调。结论:脂肪积聚肝细胞恶性转化过程中,众多基因和信号通路参与癌变发生过程。

生成对抗网络GAN综述

人能够理解事物运动的方式,因此对事物未来发展的预测比机器准。不过,作为一种新的深度神经网络系统,GAN(Generative Adversarial Network)生成的数据非常逼真,连人也无法辨别数据是真实的还是生成的。从某种意义上讲,GAN为指导人工智能系统完成复杂任务提供了一种全新的思路,让机器成为了一个专家。首先,讨论了GAN的基本模型和一些改进的GAN模型;然后,展示了GAN在超分辨图像生成、由文本描述生成图像、艺术风格图像生成和短视频生成方面的应用成果;最后,探讨了GAN在理论、架构和应用方面所面临的问题和其未来的研究方向。