【摘 要】
：
基于深度学习的医疗图像分割模型往往泛化能力较差，迁移学习可以通过建立不同域之间的关联，借助标记数据改进目标域学习效果。在无监督领域自适应迁移学习过程中，域无关特征导致模型分割性能下降，而目前并没有针对迁移学习分割模型有效的特征选择方法。为解决该问题，本文提出了一个基于最优传输的迁移学习通用特征选择模块，可以应用到多种无监督领域自适应图像分割模型中。该模块利用分割准确性加权最优传输选择两个域的最优样
论文部分内容阅读
基于深度学习的医疗图像分割模型往往泛化能力较差，迁移学习可以通过建立不同域之间的关联，借助标记数据改进目标域学习效果。在无监督领域自适应迁移学习过程中，域无关特征导致模型分割性能下降，而目前并没有针对迁移学习分割模型有效的特征选择方法。为解决该问题，本文提出了一个基于最优传输的迁移学习通用特征选择模块，可以应用到多种无监督领域自适应图像分割模型中。该模块利用分割准确性加权最优传输选择两个域的最优样本子集，再将样本子集特征进行熵正则化最优传输，得到两个域特征相似性降序列表来去掉域无关特征。将通用特征选
其他文献
针对传统三维场景图像表面重建特征点匹配精度不高，计算复杂等实际问题，提出基于虚拟现实技术的三维场景图像表面重建算法。使用小波分解处理图像纹理信息，量化编码图像并把视觉点和图像的间距作为度量值，挑选恰当临界值完成图像压缩，剔除三维场景图像冗余数据；计算图像中的启发式信息，更新信息素矩阵，运用信息素矩阵临界值明确像素点是否为图像边缘点，提取三维场景图像边缘信息；利用虚拟现实设备计算三维场景最小识别距离
现有多视角图学习方法主要建立在数据具有较好完备性的前提假设下,没有充分的考虑由于特征缺失引起的不完备数据的学习问题.面向这一问题,本文提出一种不完备数据的多视角图学习方法.一方面,从局部视角内将数据重建和图学习放入同一框架,通过不完备数据补偿,实现从重建数据中学习视角专属的近邻关系,弥补特征缺失对数据分布的影响.另一方面,为了保持近邻图的二维结构,引入张量分析,从全局角度构造基于多视角的融合图学习
脑癌是发病率第二高的儿童癌症，早发现早治疗才能提升患者的存活率。本文提出了基于缩放重构非池化残差胶囊网络和麻雀搜索的MRI脑瘤图像分类方法。首先，针对图像质量差的MRI脑瘤图像，采用基于麻雀搜索的图像增强方法来提升图片质量。其次，采用胶囊网络来解决医疗图像数据量小、数据集不平衡的问题。最后，针对胶囊网络对于大尺寸图像产生的梯度消失和梯度爆炸问题，采用改进的残差网络来提取尺寸较大图片的关键特征。同时
随着网络平台上各类图像、视频数据的快速增长,多模态情感分析与情绪识别已成为一个日益热门的研究领域.相比于单模态情感分析,多模态情感分析中的模态融合是一个亟待解决的关键问题.本文受到认知科学中情感唤起模型的启发,提出一种能够模拟人类处理多通道输入信息机制的深度情感唤醒网络(Deep Emotional Arousal Network, DEAN),该网络可实现多模态信息的有机融合,既能处理情绪的连贯
为了在高光谱图像分类中更好提取和表达光谱与空间的精细特征以及特征间的交互信息，提出一种基于多层次空-谱融合网络的高光谱图像分类方法。首先，利用多层次特征提取模块，分别提取高光谱图像的多层次空间和光谱特征；其次，设计空-谱特征交互融合模块将获得的多层次空间与光谱特征进行特征融合，以产生空-谱融合特征。本文方法可以结合网络中不同层次的空间与光谱特征，有效地捕获高光谱图像精细特征；同时通过联合学习融合空
针对现有的一些三维建模方法强调单一尺度几何模型构建，缺乏多细节层次(Level of Detail， LoD)和语义信息表达，互操作性不强等问题，以国际开放标准CityGML为基础，利用矢量拉伸、基于几何特征和规则的语义信息提取、几何映射和语义映射等技术研究了建筑物多尺度几何语义一体化模型构建方法。采用开源Cesium库开发了一套基于WebGL的建筑物多尺度三维模型可视化系统，通过某大学校园Cit
孪生网络是当前基于深度神经网络视频实时目标跟踪的重要发展方向，现有研究主要集中在骨干网优化方面，设计及训练均比较复杂。本文提出一种新的思路，通过引入简单且易于实现的传统表观特征，直接与深层语义特征融合，增强了类内目标的区分能力；通过投票机制及自适应搜索模块，增强了算法跟踪的鲁棒性。在VOT系列数据集上的测试结果表明，本文算法相对基准算法在平均重叠期望（EAO）上均有2%-4%的提升，准确性及鲁棒性
基于深度学习的图像修复方法已经取得较大的进展，目前大多数的图像修复方法都是基于输入的掩模对图像的退化区域进行修复。基于这一观察，提出了两阶段的盲图像修复网络，由掩模预测网络和图像修复网络组成。整个修复过程无需输入掩模，掩模预测网络可以根据输入图像自动检测图像退化区域并生成掩模，图像修复网络根据预测掩模对输入图像的缺失部分进行修复。为了更好地利用全局上下文信息，基于上下文门卷积设计了一个上下文门残差
地表反照率（a_c）是计算辐射收支分配的重要参数，其精度对实现大尺度地表蒸散发（ET）的准确模拟有重要意义，在ET模拟中常用线性插值法来获取时间连续的a_c数据，但其a_c重建过程的机理性不足。本研究利用时域重建方法获取a_c的逐日数据，利用Penman-Monteith-Leuning(PML)模型对海河流域ET进行了模拟，并与传统的基于线性插值计算a_c的方法进行对比，分析了不同a_c输入对E
目标检测是计算机视觉领域的重要研究方向。传统的目标检测方法在特征设计上花费了大量时间，且手工设计的特征对于目标多样性的问题并没有好的鲁棒性，深度学习技术逐渐成为近年来计算机视觉领域的突破口。本文对现有的基础神经网络进行研究，采用经典卷积神经网络VGGNet作为基础网络，添加部分深层网络，结合SSD(Single Shot MultiBox Detector)算法构建网络框架。针对模型训练中出现的正