-
题名基于乳腺X线摄影的肿块检测综述
被引量:2
- 1
-
-
作者
王俊茜
徐勇
孙利雷
蒲祖辉
-
机构
哈尔滨工业大学(深圳)计算机科学与技术学院生物计算研究中心
鹏城实验室
贵州大学计算机科学与技术学院
贵州大学贵州省公共大数据重点实验室
深圳市第二人民医院(深圳大学第一附属医院)
-
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2021年第4期747-764,共18页
-
基金
深圳市科技创新委员会(GJHZ20180419190732022)
贵州省公共大数据重点实验室开放课题基金(2018BDKFJJ001)
黔科合重大专项字[2018]3001。
-
文摘
早期筛查和及时治疗是控制乳腺癌死亡率最为有效的方法.乳腺X线摄影检查作为医学界公认的最有效的早期乳腺癌筛检工具,可以很好地反映出乳腺存在的异常情况.在临床应用中,乳腺癌的X线摄影直接征象为钙化和肿块,对乳腺X线摄影中钙化点的检测技术已经相当的成熟,但对肿块区域的检测和分类依旧是一项具有挑战性的任务.因此,本文对近几年提出的基于全乳腺X线摄影的肿块检测方法进行简要综述,分别从基于传统的乳腺肿块检测与分割方法和基于深度学习的乳腺肿块检测方法进行介绍,并讨论了乳腺X线摄影中肿块检测未来研究的发展趋势.
-
关键词
乳腺X线摄影
乳腺肿块检测
计算机辅助检测和诊断
深度学习
-
Keywords
Mammography
breast mass detection
computer aided diagnosis and detection
deep learning
-
分类号
R730.44
[医药卫生—肿瘤]
R737.9
[医药卫生—肿瘤]
-
-
题名基于视觉的车辆异常行为检测综述
被引量:11
- 2
-
-
作者
黄超
胡志军
徐勇
王耀威
-
机构
哈尔滨工业大学(深圳)计算机科学与技术学院生物计算研究中心
广西师范大学数学与统计学院
鹏城实验室
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2020年第3期234-248,共15页
-
基金
国家自然基金项目面上项目(No.61876051)
广东省领军人才项目(No.2016TX03X164)资助。
-
文摘
基于视觉的车辆异常行为检测能够快速检测交通监控视频中的车辆异常行为并报警,在提升交通执法效率,改善城市交通状况和减少交通事故率等方面具有重要作用.当前基于视觉的车辆异常行为检测已取得较大进步,但在实际应用中仍面临如缺乏数据、异常定义的不确切性、遮挡和实时性较差等问题.文中归纳总结近年来提出的基于视觉的车辆异常行为检测算法.首先,介绍当前算法中典型的行为表示特征,从监督学习和非监督学习两方面讨论现有车辆行为学习方法的优缺点.然后,根据行为建模方法将车辆异常行为检测算法分为基于模型的方法、基于重建的方法和深度学习方法,介绍和分析每类方法.最后,讨论当前算法存在的问题,并展望未来的改进方向.
-
关键词
车辆异常行为检测
特征提取
行为学习
行为建模
深度学习
-
Keywords
Abnormal Vehicle Behavior Detection
Feature Extraction
Behavior Learning
Behavior Modeling
Deep Learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于测试样本误差重构的协同表示分类方法
被引量:3
- 3
-
-
作者
王俊茜
郑文先
徐勇
-
机构
哈尔滨工业大学(深圳)计算机科学与技术学院生物计算研究中心
哈尔滨工业大学(深圳)深圳市视觉目标检测与判识重点实验室
清华大学深圳国际研究生院
-
出处
《计算机科学》
CSCD
北大核心
2020年第6期104-113,共10页
-
基金
广东省科技计划项目(2018B010108003)
深圳市科技创新委员会项目(ZDSYS20190902093015527,JSGG20190220153602271)。
-
文摘
基于协同表示的分类方法(Collaborative Representation-based Classification,CRC)在诸如人脸识别、物体识别等图像分类任务中取得了良好的效果。CRC利用范数正则化来解决测试样本的线性表示问题,以期得到一个较稳定的数值解。已有研究表明,正则化参数的选择对协同表示的数值稳定性起着非常重要的作用。文中提出了一种新的基于测试样本误差重构的协同表示分类方法(Test Sample Error Reconstruction Collaborative Representation-based Classification,TSER-CRC)。该方法首先利用较小的正则化参数计算出一个协同表示系数,使其重新构建测试样本,以削弱原始测试样本中的误差或减小原始测试样本与训练样本之间的不一致性;然后,利用较大的正则化参数,并基于重构出的测试样本再次求解协同表示系数,以得出数值较稳定的测试样本与各类别训练样本之间的关系,并以此对测试样本进行分类。该方法有效地减少了由所有训练样本构成的协同子空间所表示的测试样本中存在的误差和异常值,提高了协同表示编码系数的稳定性和图像分类的鲁棒性。通过在5个标准数据集上的实验结果表明,所提方法在图像分类精度方面明显优于传统CRC和其他一些经典的图像分类方法。
-
关键词
图像分类
模式识别
表示分类
协同表示
误差重构
-
Keywords
Image classification
Pattern recognition
Representation-based classification
Collaborative representation
Error reconstruction
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-