基于谱聚类的多阈值图像分割方法

阈值法是图像分割的一种重要方法,在图像处理与目标识别中广为应用。因此,如何确定阈值是图像分割的关键。提出了一种新的图像阈值分割方法,即通过采用新的相似度函数的谱聚类算法(Dcut)确定图像阈值。采用基于灰度级的权值矩阵代替常用的基于图像像素级的权值矩阵描述图像像素的关系,因而算法需要的存储空间及实现的复杂性与其它基于图的图像分割方法相比大大减少。实验表明,该方法分割图像的时间少,且能够单阈值和多阈值分割图像,与现有的阈值分割方法相比,其具有更为优越的分割性能。

基于局部二值模式和辨识共同向量的步态识别

最近,利用步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图(GEI-Gait Energy Image)是一种有效的步态表征方法,局部二值模式(LBP-Local Binary Pattern)能很好地提取局部信息,所以利用局部二值模式(LBP)来提取步态能量图(GEI)的局部特征并用于识别。首先,为了更好地提取局部信息,把步态能量图(GEI)分块,提取各个子块上的LBP特征,然后把各子块在特征层进行融合,得到整个步态能量图(GEI)的特征表达;同时为了更好地挖掘步态能量图(GEI)的信息,对LBP模式进行了扩展。由于得到的LBP特征维数较高,利用具有降维和良好识别能力的辨识共同向量(DCV-Discriminant Common Vector)对步态能量图的LBP特征进行维数约减并增加类间距离。最后,只需利用简单的最近邻分类器就能取得较好的识别效果。将该算法在CASIA数据库上进行了试验,并取得了较高的正确识别率。

一种基于静态和动态特征的步态识别新方法

最近,利用步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图(Gait EnergyImage,GEI)是一种有效的步态表征方法。把步态能量图分解为身体相关能量图(Body-Related GEI,BGEI)、步态相关能量图(Gait-Related GEI,GGEI)、身体步态相关能量图(Body-Gait-Related GEI,BGGEI)3部分,利用傅立叶描绘子对身体相关能量图(BGEI)、身体步态相关能量图(BGGEI)进行描述,利用Gabor小波提取步态相关能量图(GGEI)的幅值特征,分别研究了它们的识别能力,并在Rank层和Score层融合步态相关能量图(GGEI)、身体步态相关能量图(BGGEI)这两部分信息用于步态识别。该算法在CASIA数据库上进行的试验取得了较高的正确识别率。

图模型在彩色纹理分类中的应用

纹理分析中往往将彩色图像转换为灰度图以降低计算复杂度,这样就忽略了颜色信息。而利用主成分分析的方法来降维彩色纹理,则可以尽可能地保留颜色和纹理信息。高斯图模型(Gaussian Graphical Models,GGM)可以很好地描述有交互作用的高维数据,因此可用来建立图像纹理模型。根据局部马尔可夫性和高斯变量的条件回归之间的关系,可将复杂的模型选择转变为较简单的变量选择。通过惩罚正则化方法,其邻域选择和参数估计可同步进行,然后提取纹理特征进行彩色纹理分类,实验显示其具有很好的效果。因此,结合主成分分析和高斯图模型来构建彩色纹理模型有很好的发展前景。

基于正则割(Ncut)的多阈值图像分割方法

在图像处理与目标识别中广为应用的阈值法是图像分割的一种重要方法,因此如何确定阈值是图像分割的关键。提出了一种新的图像阈值分割方法,把图像的一维灰度直方图的灰度级L和对应灰度级L的概率P视为二维平面上的点(L,P),采用新的相似度函数来定义这些点之间的相似度,从而构建基于灰度级的相似度矩阵,然后使用正则割(Ncut)进行分类,根据分类结果确定图像的分割阈值。算法用基于灰度级的权值矩阵代替基于像素级的权值矩阵来描述图像像素的关系,因而需要的存储空间及实现的复杂性大大减少;与现有的阈值分割方法相比,该算法能够单阈值和多阈值分割图像,因此具有更为优越的性能。

基于2D-WLDH和最大类间方差的图像阈值分割及其快速递推算法

本文提出了一个新的二维直方图(2D-WLDH),同时提出了基于2D-WLDH和最大类间方差的图像阈值选取方法,并导出相应快速递推算法。新提出的2D-WLDH在区域划分时可以避免传统直方图区域划分时面临的不合理的假设,通过计算比较小的归一化的WLD值来准确估计目标和背景的概率。本文实验结果表明:与现有的有关算法相比,本文提出的阈值选取快速递推算法不仅使分割后的图像区域内部更均匀、边界形状更准确、抵抗噪声稳健,而且同时其运行时间还减少了约84.93%。

基于概率图模型的图像纹理模型

纹理作为一种视觉特征,它广泛应用于图像分析。概率图模型由于其自身特点可以很好地描述纹理。高斯图模型结构可根据局部马尔科夫性和高斯变量的条件回归之间的关系来学习。高斯图模型可用一个邻域系统、一个参数集和一个噪声序列表示。利用惩罚正则化方法,可以选择高斯图模型的邻域并估计参数,然后提取纹理特征进行纹理合成和分类。实验结果显示基于高斯图模型的纹理特征更加有效。

一种新的去除混合噪声的变分模型及其应用

由于现有的某些去噪模型仅对某种噪声特别有效,而对其它类型噪声的效果却不够显著,因此提出一种能有效地去除多种噪声的变分模型,它融合了几种经典去噪模型的优点,并在数值求解时采用了高效且无条件稳定的AOS算法。数值实验表明,与现有的一些去噪方法相比,提出的去噪方法耗时少且效果更好。最后给出了解的存在性证明。

CC＄:一种面向分布式众核平台的并行编程语言

CC＄是一种并行编程语言,目的是解决分布式众核并行计算机的编程困难。CC＄的编程模型以Multi-BSP模型为基础,将分布式众核并行计算机的硬件架构抽象为3层。数据按照存储的层次和共享范围分为5类,以便在不同层次上提供共享。CC＄还提出一类虚拟指令来解决不同层次之间的数据交换,实现数据访问的逻辑化描述。并行程序按照3层Multi-BSP超步嵌套执行。CC＄具有统一的编程风格、内建的多层公共地址空间、数据访问请求的表达式描述和数据传输编译优化4大特点。测试表明,CC＄程序的运行效率高,易学易用,大幅地缩短了开发周期。

图卷积算法的研究进展

近年来,随着科学技术的发展,越来越多的数据以图的形式呈现和存储。图是不规则的数据,具有分散性和无序性,除了节点本身可赋予数据的特征外,边权信息更可以刻画节点间的相似性。虽然传统的深度卷积网络能有效处理图像、视频、语音等规则的数据,但直接用以处理图的数据效果并不理想。如何借鉴传统的卷积算法,提出适应图数据特点的学习算法,是当前深度学习研究的一个热点。文章拟对面向图数据的图卷积算法进行归纳总结,然而由于篇幅有限,无法对所有算法做到面面俱到的介绍,因此文章侧重于介绍模型背后的原理,分析并指出这些算法的优缺点,同时扼要介绍图卷积网络的主要应用。

头颈鳞状细胞癌根治性放疗中临床淋巴结阴性颈部的个体化选择性照射

背景与目的 口腔(oral cavity,OC)、口咽(oropharyngeal,OP)、下咽部(hypopharyngeal,HP)和喉部(laryngeal,LA)的鳞状细胞癌(squamouscellcarcinoma,SCC)具有很高的区域淋巴结转移(lymph node metastasis,LNM)率。对于临床上表现为淋巴结阴性的颈部,对其进行选择性照射是治疗隐匿性淋巴结转移的常规方法。然而,最优的选择性照射计划目前仍无定论。本研究旨在为上述4种头颈鳞癌的淋巴结阴性颈部建立个体化选择性照射策略。方法 回顾性分析2005年7月至2018年12月期间,793例OC-SCC患者、464例OP-SCC患者、413例HP-SCC患者和645例LA-SCC患者的临床数据。根据实际LNM率和肿瘤侵犯特点,利用logistic回归分析确定对侧LNM的危险因素和选择性照射策略中颈部区域照射范围。另外,我们开发了一种可公开获取的在线工具,来帮助推广这些方案的临床应用。结果 对于患侧淋巴结阴性的颈部,推荐OC-SCC患者进行患侧I±Ⅲ区的选择性照射,OP-、HP-和LA-SCC患者进行患侧Ⅱ±ⅠVa区的选择性照射。另外,OP-SCC患者应进行患侧VⅡa区的选择性照射。多因素分析结果显示,咽后壁和环状软骨后区受累与HP-SCC患者VⅡa区转移独立相关(均P<0.05)。对于对侧淋巴结阴性的颈部,多因素分析结果显示,同侧N2b2±N3、肿瘤累及体中线和肿瘤侵袭程度是对侧LNM的独立预后因素(均P <0.05)。在对侧颈部淋巴结转移高风险的患者中,本研究建议OC-SCC患者行对侧Ⅰ±Ⅱ区照射;若患侧淋巴结分期达到N3,则需增加对侧Ⅲ区照射。OP-、HP-和LA-SCC患者推荐进行对侧Ⅱ±Ⅲ区照射;对于T分期和患侧N分期较晚的患者,建议增加对侧ⅠVa区的照射。只有T4期和患侧N3期的患者需要增加对侧VⅡa区照射。结论 我们提出的个体化和计算机辅助实施的颈部淋巴结选择性照射策略,相对于现行指南可降低OC-、OP-和HP-SCC患者的照射体积,可能有利于改善患者放疗后的生活质量。

基于层间互相关感知损失的风格迁移方法

深度学习在风格迁移领域的应用使一系列以图片艺术风格化为核心的产品真正落地,而从像素级损失向基于Gram矩阵的感知损失的转变是其中最关键的跨越。Gram矩阵在艺术风格特征的提取上有良好的效果,但其局限于同等级语义特征间相关性统计的做法并不能作为艺术风格的充分表示。自Gram矩阵被提出以来,一系列研究并未对其进行充分的研究和改进,而是关注于模型结构的设计以提高风格迁移的速度。提出使用层间互相关矩阵作为Gram矩阵的代替或补充进行风格迁移任务的风格损失函数计算。实验表明,在得到相似水平输出结果的情况下,使用层间互相关矩阵方法可以降低20%的计算时间。

选择粗化函数优化并行稀疏矩阵向量乘法

讨论了如何分划稀疏矩阵的非零元素以减少并行矩阵向量乘法的通信代价。通过以粗化函数为工具,统一现有的数据分划方法;提出一种基于行列分划为初解的粗化函数选取方法,在理论上的证明其运行效率与分划质量不逊于一维数据分划方法;实验数据表明,该方法产生分划质量超过一维数据分划方法的结果,接近甚至超过二维细粒度方上法的结果。

基于高通量计算的反渗透淡化三维传递MLP模型构建

全球淡水资源日趋紧张.反渗透(reverse osmosis, RO)是目前最先进的淡化技术之一,占据了50%以上淡化市场.高性能RO膜可显著提高产水效率,但其高通量的特性也导致了严重的浓差极化与膜污染等共性难题,严重制约其进一步广泛应用.因此,在传统膜组件迭代设计方法的基础上,开发更高效的优化设计方法,可加速高性能RO膜的商业化,极具研究意义.本文采用计算流体力学(computational fluid dynamics, CFD)和深度学习方法,结合超级计算,构建了多工况下基于高性能RO膜的海水淡化复杂进水通道的高维非线性传递模型:建立了RO膜组件进水通道中流体流动与盐组分传递的“多物理场全耦合高保真三维模型”;基于商业进水隔网在设计参数空间范围内进行类拉丁超立方抽样,生成726组不同工况CFD模型,并行计算规模可达2万核以上;基于数据驱动的深度学习方法,建立代理传递模型,可预测整个设计参数空间内大规模参数组合工况模型的三维局部速度、压力以及浓度分布,通过计算相对均方根误差,得到预测精度分别为93.5%、98.3%和95.1%,计算效率相比传统有限元方法提高了1~2个数量级.本文提出的高可扩展并行计算方法适用于多类型结构进水隔网的海量筛选和优化设计,为揭示RO膜组件中复杂流动与传递过程机理提供了可计算模型与数据支撑;构建的代理模型可进一步应用于工厂尺度系统设计,具有重要的研究和应用价值.

基于深度迁移学习的池沸腾瞬时状态快速识别方法

沸腾过程高效传热的同时也面临着沸腾危机,而沸腾状态的瞬时识别与预测是维持“高功率密度电子器件”高效散热与延长生命周期的关键问题之一.得益于人工智能的快速发展,智能监测与快速识别技术逐渐被用于开发高效的沸腾状态检测器.传统机器学习方法作为纯数据驱动方法难以摆脱对数据的过度依赖,而在实际沸腾应用场景下,模型会因为工况改变与数据稀缺面临泛化瓶颈.基于此,本文提出了一种基于深度迁移学习的池沸腾瞬时状态快速识别方法.首先基于卷积神经网络构建状态识别器OrigCNN,并利用自行开展的池沸腾实验获取沸腾瞬时状态数据集Dataset A训练源模型,测试准确率为100%;针对源模型的泛化瓶颈,本文以自有数据集Dataset A为源域,公开数据集Dataset B和Dataset C为目标域,在源模型OrigCNN中引入迁移学习技术构建深度迁移模型TLCNN,并分别使用目标域数据集的10%,5%,2.5%和1%构建小样本数据集用于迁移训练.测试结果表明,迁移训练样本数据量越多,TLCNN的测试准确率越高,以使用5%Dataset B(132张)进行迁移训练为例,TLCNN测试准确率达99.83%,临界状态检测假阴性率(false negative rate,FNR)为0.38%,证明该模型在实际场景切换时迁移应用的有效性与可靠性.此外,本文提出的深度迁移学习模型的识别效率在单机设备上即可达到毫秒级,对开发实时沸腾瞬态状态识别器及相应的数字孪生工具软件有重要的意义.

基于多尺度模型的锂离子电池电极微结构优化设计

锂离子电池(lithium ion batteries,LIBs)具有高比容量和良好的循环稳定性等优点,广泛应用于动力电池和储能领域.然而正极材料理论比容量不高,传统的制备过程会带来电极电化学性能不均匀等问题,制约了LIBs的进一步发展.电极多孔结构优化设计是突破此瓶颈的一种有效方法.本文将以磷酸铁锂(LiFePO4,LFP)为正极电极,锂金属为负极的LIBs作为研究对象,建立了基于粒子Packing的活性材料球形颗粒填充模型和基于三周期极小曲面(triply periodic minimal surface,TPMS)的电极微结构三维模型;研究了电极的比表面积等特征参数对不同类型多孔结构的影响以确定代表性体积单元;建立了LFP正极的LIBs放电过程多尺度数学模型,并对恒电流密度放电过程进行数值模拟.研究表明:粒径为3200 nm的球形颗粒填充电极以5C放电倍率放电时容量减小量为47%,以1C放电倍率放电时电极表面浓度差异为66%;而4种新型TPMS电极以5C放电倍率放电时容量减小量均在1%以内,以1C放电倍率放电时电极表面浓度差异也均在1%以内,极大提升了电池的性能,且Gyroid型结构表现最优.本文对后期LIBs的优化设计具有指导意义,并提供数据和理论基础支持.

基于局部轮廓和随机森林的人体行为识别

基于视频信息的人体行为识别得到了越来越多的关注。针对人体行为的局部表达,提出了一种新的局部轮廓特征来描述人体的外观姿势,可以同时利用水平和竖直方向上的轮廓变化信息。该特征能有效区分不同动作,与轮廓起始点无关,具有平移、尺度和旋转不变性。针对该特征,提出了一种基于随机森林的两阶段分类方法,使用随机森林分类器对行为视频的局部轮廓进行初分类,并根据每个局部轮廓对应决策类的分类树数目占总分类树数目的比例,提出了一种基于袋外(OOB)数据误差加权投票准则的行为视频分类算法。在测试数据集上的实验结果证实了该方法的有效性。

基于姿势字典学习的人体行为识别

提出一种基于人体轮廓表达的姿势学习框架来进行人体行为识别。通过一种基于Procrustes形状分析和局部保持投影的姿势特征表示方法,从人体运动视频中提取具有平移、旋转和放缩不变性的姿势特征,在保留人体姿势的局部流形结构的同时尽量提取子空间上的判别信息。针对该特征还提出了一种基于姿势字典学习的人体行为识别框架,对每类行为分别学习一个对应于该类的字典,通过串联所有类的字典来得到整个姿势字典;并通过最小重构误差准则来分类测试视频。在Weizmann和MuHAVi-MAS14数据集上的实验结果证实了该方法的识别率高于大部分经典方法。特别是在MuHAVi-MAS14数据集上的识别率对比已有的结果上有巨大的提升。

融合变分模型与快速算法分割噪声图像

针对现有的变分水平集方法对噪声图像分割不理想和计算效率较低的情况,提出一种改进的可有效分割噪声图像的变分模型。首先改进了Chan-Vese模型的能量泛函,并引入辅助变量耦合某些拟合能量项,接着用凸松弛方法将其转化为凸优化问题。该优化问题可转化为几个子问题,在求解时结合快速的Split-Bregman算法和AOS算法以提高速度。对噪声图像作分割实验,并与不引入辅助变量的水平集方法作比较。结果表明,本文提出的变分模型对带某些类型噪声的图像分割不仅提高了计算效率,还能较好地分割目标。

数值振荡积分:基于奇性和波数的积分区间剖分法

本文针对高频振荡函数的积分提出了复合的moment-free的数值积分公式.当被积函数没有奇点、振子没有驻点时,复合的数值积分公式是基于对积分区间按振子导数值和波数剖分的原则设计,利用moment-freeFilon型数值积分公式计算子区间上的振荡积分.当被积函数有奇点、振子存在驻点时,根据函数的奇性和波数对积分区间剖分,使其于每个子区间上为非剧烈振荡函数的奇异积分,或光滑函数没有驻点的振荡积分.然后,采用经典的数值奇异积分公式计算非剧烈振荡函数的奇异积分,采用修改的moment-free Filon型数值积分公式计算振荡积分.与计算振荡积分的已知方法相比,本文发展的复合moment-free的数值积分方法,既不需要计算振子的反函数,也不必借助特殊函数的积分.