多跳中继网络隐蔽通信设计与实验分析

针对随机分布多跳中继网络存在的通信安全问题,提出了一种基于强化学习的智能路径选择方案。该方案考虑单密钥和独立密钥传输2种情况,分别对监测者的检测性能进行了探究,并基于隐蔽约束确定了各中继的最佳功率分配。最后,基于强化学习技术实现了多跳网络传输路径的智能选择,以保证传输的隐蔽性,并最大化系统的隐蔽吞吐量。结果表明,单密钥方案所选路径倾向于绕开监测者所监测的区域,而独立密钥方案所选路径可以穿过监测者的监测区域,并且独立密钥所能达到的系统增益显著优于单密钥。

基于调频连续波雷达的多维信息特征融合人体姿势识别方法

为实现在复杂多样的环境下人体姿势的识别,该文提出一种基于调频连续波(FMCW)雷达的多维信息特征融合的人体姿势识别方法。该方法通过对FMCW雷达原始信号进行3维快速傅里叶变换得到目标距离、速度和角度的多维信息,在采用具有噪声的基于密度的聚类算法(DBSCAN)和Hampel滤波算法解决运动范围内动态或静态目标的噪声干扰后使用卷积神经网络对多维信息进行特征提取,然后利用低秩多模态融合网络(LMF)充分融合多维信息的特征,并通过域鉴别器进一步获得与环境无关的特征,最终使用活动识别器获得姿势识别结果。为了实用性,在边缘计算平台上搭载预先设计的算法和训练好的网络模型进行实验验证。实验结果表明,在复杂的环境下该方法的识别精度可达到91.5%。

CG-Net改进的结直肠癌病灶分割算法

为解决深度学习分割算法在病灶的细节分割上存在漏判且模型参数量较大不利于实际应用的问题,提出一种基于改进的CG-Net的深度轻量化分割神经网络。在编码块加入改进高效金字塔拆分注意力模块和深度可分离卷积,以学习丰富多尺度全局特征;采用残差思想将注意力模块与编码块结合,提出高效金字塔语境引导模块,帮助网络学习全局和局部特征信息。在中山大学附属第六医院提供的腹部MRI图像数据库的结直肠肿瘤病灶分割实验中,验证了改进模型算法在分割精度和模型轻量化方面的有效性。

基于权重分配的直肠癌病理完全反应预测算法

研究的目的是建立一个深度学习模型,用于进行直肠癌患者新辅助放化疗后的病理完全反应的预测。回顾性分析了99例直肠癌患者的MR影像资料,并按照训练组(71例)和测试组(28例)进行划分构成数据集。通过U-Net定位分割出肿瘤大致区域,在预测阶段通过改变神经网络卷积层数和切片大小得到了9个基础预测模型,并且利用权重分配法对预测得分进行修正。在验证组9个模型中,切片大小为256*256时,包含4个卷积层的模型整体性能最好,3折交叉验证中平均准确率、特异性和敏感性分别达到了0.714、0.717和0.708。研究构建的模型可以作为辅助工具对结直肠癌晚期患者对新辅助治疗的病理反应进行预测,预测精度较好,可为临床治疗提供参考。

基于短期密集连接注意网络的结肠息肉分割方法

结肠镜检查依赖于操作人员且漏检率较高,所以需要一种实时的息肉分割算法,来辅助医生的息肉检测工作。因此论文提出短期密集连接注意网络(Short-Term Dense Concatenate Attention Network,STDCANet)。网络编码端的核心层是短期密集连接注意模块,此模块整合了传统卷积、STDC、残差思想和NAM的优势,以较小的计算复杂度保留了可伸缩的感受野和多尺度信息,在解码端引入了PD解码器,摈弃了部分底层特征用于模型的加速,聚合了高层特征实现了较好的分割结果。STDCANet在CVC-ClinicDB数据集上与经典的医学图像分割网络进行性能和模型复杂度的对比,在这两方面均优于对比网络,有临床实时分割的潜力。

基于多模态图像构建CNN-ViT模型在弥漫性大B细胞淋巴瘤骨髓受累诊断中的应用

目的设计一种融合多模态图像深度学习模型CNN-ViT,诊断弥漫性大B细胞淋巴瘤(DLBCL)骨髓受累。资料与方法回顾性收集2012年11月—2022年6月福建省立医院经病理证实的DLBCL 78例,其中无骨髓受累46例,有骨髓受累32例,所有患者在化疗前均行全身18F-FDG PET/CT检查、骨髓穿刺细胞涂片和(或)骨髓活检。选取骨盆区域PET及CT图像共9828张。将上述数据按7∶1∶2随机分为训练集6858张、验证集982张和测试集1988张。结合传统的卷积神经网络(CNN)和Vision-Transformer(ViT)模型设计CNN-ViT模型,分别提取PET和CT图像特征,预测骨髓受累情况。使用测试集的混淆矩阵和损失函数的变化、准确度、敏感度、特异度和F1_score评价模型的性能。结果CNN-ViT模型诊断DLBCL骨髓受累的准确度、特异度、敏感度和F1_score分别为0.988、0.971、0.997、0.987。结论CNN-ViT模型可以准确评估DLBCL骨髓受累情况。

基于混合能量收集的移动边缘计算系统资源分配策略

针对移动终端(mobile terminal, MT)从环境射频源收集能量较少的问题,研究基于混合能量收集的移动边缘计算系统资源分配策略。通过在基站覆盖区域内部署多个磁感应能量快速充电站,当MT从环境射频源收集的能量即将耗尽时,在附近的磁感应能量快速充电站补充能量。MT通过移动边缘计算将计算任务分流到边缘服务器。将资源分配问题建模为优化问题,以最小化MTs总能量消耗为目标,同时满足MT最大计算能力、边缘服务器最大计算资源、任务计算总时延和MT电池能量的约束条件。通过引入量子行为粒子群优化算法,获得次优解。仿真结果表明,与标准粒子群优化算法和相等分配边缘服务器计算资源的方法相比,量子行为粒子群优化算法具有更少的能量消耗。

数据驱动的AVS3像素域最小可觉差预测模型

AVS3作为中国第三代国家数字音视频编码技术标准,在消除视频时域/空域冗余信息方面发挥了重要的作用,但在消除感知冗余方面仍存在进一步优化的空间。本文提出一种数据驱动的AVS3像素域最小可觉差(Just noticeable distortion,JND)预测模型,在尽量保证视觉主观质量的前提下,对AVS3视频编码器进行优化。首先基于主流的大型JND主观数据库,获取符合人眼视觉特性的像素域JND阈值;然后基于深度神经网络构建像素域JND预测模型;最后通过预测的像素域JND阈值建立残差滤波器,消除AVS3的感知冗余,降低编码比特率。实验结果表明,与AVS3的标准测试模型HPM5.0相比,在人眼主观感知质量几乎无损的情况下,所提出的像素域JND模型最高可节省21.52%的码率,平均可节省5.11%的码率。

UAV协助的能量收集MEC系统资源分配方法

针对在能量收集和计算任务卸载过程中距离基站较远的用户设备遭受的双重远近问题,提出了一种无人机(Unmanned Aerial Vehicle,UAV)协助的非线性能量收集移动边缘计算(Mobile Edge Computing,MEC)系统资源分配方法。近距离用户设备由搭载MEC服务器的基站为其补充能量和提供计算服务,通过引入搭载MEC服务器的UAV为远距离用户设备补充能量并提供计算服务以缓解其遭受的双重远近问题。在满足用户设备和UAV的能量消耗以及UAV速度等约束条件下,以最大化系统计算完成的数据量为目标,将资源分配问题建模成非线性规划问题,利用差分进化算法,得到次优解。仿真结果表明,与基于遗传算法的资源分配方法和基于差分进化算法的固定功率分配方法相比,所提方法的系统计算完成数据量分别提升了25.8%和10.0%,能够有效地缓解双重远近问题。

双UAVs辅助的混合能量收集MEC系统资源分配策略

针对用户从环境射频源收集能量较少的问题,提出了一种双无人机辅助的混合能量收集边缘计算系统的资源分配策略。通过部署2个具有混合太阳能和射频能量收集功能的无人机,当用户的计算任务较大时,可以将计算任务卸载到搭载边缘服务器的无人机。当用户从环境射频源收集的能量不够用时,另一个无人机飞到用户上方,为其近距离充电。联合考虑无人机和用户的能量消耗,将系统资源分配问题建模成一个混合整数非线性规划问题,在满足用户和无人机计算能力和能量消耗的约束条件下,最小化系统总能耗。通过引入量子行为粒子群优化算法,获得次优解。仿真结果表明,与其他几种方法相比,采用量子行为粒子群优化算法消耗的能量更少。

一种面向新型视频编码器的快速算法

为降低多功能视频编码标准(VVC)编码的复杂度,提出一种面向VVC的帧内快速编码算法.首先,根据视频内容的时空域相关性,使用反向传播(BP)神经网络对CU的划分深度进行预测;然后,使用统计概率对CU的划分模式进行选择;最后,编码时跳过不必要的划分模式以节省编码时间.实验结果表明,与原始编码器相比,该算法平均可节省59.82%的编码时间,且在同等编码质量情况下比特率的平均增加值(BDBR)仅为2.05%.

深度学习在视网膜血管分割上的研究进展

视网膜血管分割得到的视网膜特征可以用于辅助糖尿病视网膜病变等眼病的诊断。近年来基于深度学习的血管自动分割算法以自动提取图像特征、精度高、速度快的这些优点吸引了大量研究。对近年基于深度学习的视网膜血管分割研究进行回顾,包括常见的眼底图像数据库、常用的数据增强、图像预处理、图像切片的操作。从网络架构的角度将近期的深度学习血管分割算法归类为级联结构神经网络、多路径神经网络、多尺度神经网络,并对网络进行介绍、对比、性能分析、复杂度分析、缺点分析。同时对于神经网络现实部署的研究也进行了介绍。结果表明,现有眼底图像数据库的数据量还较少,数据增强和图像预处理较多使用方法分别为水平竖直翻转和图像灰度化。从现有研究达到的性能上看,级联结构和多路径的神经网络较为适合视网膜血管的分割;从现有的复杂度来看,部分模型的推断时间可以达到毫秒级,计算消耗可以达到兆以下;从现有算法的缺点看,某个算法只能解决部分现有挑战。在移动设备硬件资源限制的情况下,轻量级的神经网络是一个值得探索的方向。