基于边缘交点聚类法的眼底图视盘轮廓提取

由于眼底血管闭塞、噪声和弱边界等原因,主动轮廓模型不能够精确地收缩至视盘的轮廓边缘,由此提出基于边缘交点聚类的轮廓提取方法。由初始轮廓确定一个矩形区域,选取该矩形区域的主对角线、副对角线、垂直中心线和水平中心线,求其与视盘边缘的交点,将所有候选交点进行K-Means聚类分析,取得位于边缘附近的点作为主动轮廓模型的初始轮廓点,进行能量最小化计算,直至轮廓停止收缩。实验证明,经边缘交点聚类初始化后再运用主动轮廓进行视盘边缘提取,轮廓最终会较为精确地收缩于视盘边缘。

基于冲突延迟策略的约束群体自组装模型

对二维网格空间上的群体自组装问题进行了较为深入的研究,给出了确保组装结构侧面连通性的充分必要条件,并进行了严格证明,以此为基础提出了基于最大相邻侧面封闭及冲突等待策略的群体自组装模型,该模型在并行的条件下,可以组装任意二维空间上的侧面连通结构,通过仿真和实验对所提出的模型进行了验证与分析。

基于CK模型的安全节点认证密钥交换协议

无线传感器网络中的节点常常被部署在非安全的环境中,因而容易遭受假冒等安全威胁。为保护可信节点之间数据通信安全,基于计算性Diffie-Hellman假设,提出一种节点认证与密钥交换协议。推荐方案不仅能实现对参与节点真实身份的鉴别,而且生成一个参与方共享的秘密密钥,为参与方之间的数据交换建立一个安全的通信信道。并证明了推荐方案能实现CK模型下认证和密钥协商的协议的安全目标。此外,对安全属性的分析表明该协议具备前向安全、已知会话密钥安全、抗密钥泄漏假冒及未知密钥共享攻击的能力。

一种去注意力机制的动态多层语义感知机

Transformer在大规模数据集上取得了优异效果,但由于使用多头注意力使得模型过于复杂,且在小规模数据集上效果不理想.对于多头注意力替换的研究在图像处理领域已取得一些成果,但在自然语言处理领域还少有研究.为此,首先提出一种去注意力的多层语义感知机(multi-layer semantics perceptron,MSP)方法,其核心创新是使用token序列转换函数替换编码器中的多头注意力,降低模型复杂度,获得更好的语义表达;然后,提出一种动态深度控制框架(dynamic depth control framework,DDCF),优化模型深度,降低模型复杂度;最后,在MSP方法和DDCF的基础上,提出动态多层语义感知机(dynamic multi-layer semantics perceptron,DMSP)模型,在多种文本数据集上的对比实验结果表明,DMSP既能提升模型分类精度,又能有效降低模型复杂度,与Transformer比较,在模型深度相同的情况下,DMSP模型分类精度大幅提升,同时模型的参数量大幅降低.

基于u-wordMixup的半监督深度学习模型

当标注样本匮乏时,半监督学习利用大量未标注样本解决标注瓶颈的问题,但由于未标注样本和标注样本来自不同领域,可能造成未标注样本存在质量问题,使得模型的泛化能力变差,导致分类精度下降.为此,基于wordMixup方法,提出针对未标注样本进行数据增强的u-wordMixup方法,结合一致性训练框架和Mean Teacher模型,提出一种基于u-wordMixup的半监督深度学习模型(semi-supervised deep learning model based on u-wordMixup,SD-uwM).该模型利用u-wordMixup方法对未标注样本进行数据增强,在有监督交叉熵和无监督一致性损失的约束下,能够提高未标注样本质量,减少过度拟合.在AGNews、THUCNews和20 Newsgroups数据集上的对比实验结果表明,所提出方法能够提高模型的泛化能力,同时有效提高时间性能.