【摘 要】
：
为解决舌象分类算法容易受到面部无关信息以及舌部杂质信息的干扰,造成分类准确率下降的问题,设计一种融合注意力机制的多阶段舌象分类算法。通过舌部定位阶段提取不同感受视野的舌象特征进行融合,获得舌部区域,减轻面部信息干扰;在舌象分类阶段基于舌部区域,借助注意力机制模块抑制舌部杂质信息的干扰,提取精准特征,进行分类。将算法得到分类结果的P、R、F值与KNN、SVM和Inception-V4的作比较,结果均
【机 构】
：
中国科学院微电子所健康电子研发中心,中国科学院大学电子电气与通信工程学院,中国科学院自动化研究所军民融合中心
【基金项目】
：
“核高基”国家科技重大专项基金项目(01专项)(2018ZX01031201),国家自然科学基金项目(61573356)。
论文部分内容阅读
为解决舌象分类算法容易受到面部无关信息以及舌部杂质信息的干扰,造成分类准确率下降的问题,设计一种融合注意力机制的多阶段舌象分类算法。通过舌部定位阶段提取不同感受视野的舌象特征进行融合,获得舌部区域,减轻面部信息干扰;在舌象分类阶段基于舌部区域,借助注意力机制模块抑制舌部杂质信息的干扰,提取精准特征,进行分类。将算法得到分类结果的P、R、F值与KNN、SVM和Inception-V4的作比较,结果均优于这3种算法。
其他文献
由于在岗过程中,电力人员容易出现注意力不集中、瞌睡、分心等行为,为更好监督人员工作状态,基于计算机视觉提出一种对人员行为分析的算法。利用人脸关键点获取相关面部特征,结合人员的头部相关姿态,从未实现对人员的状态进行监督和评估。实验结果表明,该方法对人员行为的评估精确度在85%左右,能够满足实际中对人员的状态判断的需求。
提出一种基于分组的引力搜索算法实现数据聚簇。与标准引力搜索不同,分组引力搜索设计一种特定的解编码策略,即分组编码,可将数据聚簇的相关结构映射为解的一部分;对于特定编码,新的引力搜索机制在位置和速度更新策略上设计适合分组编码的更新规则,使分组引力搜索可类似于传统引力搜索进行迭代寻优。在多种经典测试数据集下对算法性能进行评估,其结果表明,与同为智能群体算法的标准引力搜索算法、智能蜂群算法、粒子群算法和萤火虫算法相比,该算法的数据分类效率更高。
为解决当前主流工控流量异常检测方法检测覆盖率较低的问题,分析这类检测方法的特点,综合考虑通信流量中流量层、数据包层及内容层3种影响因素,提出一种分层依赖关系建模的工控异常检测方法。使用流量、数据包以及内容3个层次的特征,通过并行LSTM神经网络构建不同层内数据间的依赖关系,建立粒度由粗到细的分层依赖关系模型,扩大流量特征建模的覆盖率,提升对工控异常流量的检测能力。实验结果表明,该方法检测精确率达到了96.9%,与不分层的模型相比检测精确率提高了7.2%。
通过构建一个能够体现不同用户-项目交互信息和项目属性信息的图网络,将推荐问题转化为异构图网络的节点嵌入问题并提出一种用于生成用户-项目表示的联合学习算法。在该联合学习算法中,采用带权的个性化排序算法体现用户对于不同项目的喜好程度的差异,融合项目信息拓展用户的行为模式,更好地找到用户的喜好。实验结果表明,该算法在多种不同的推荐评价指标上比基准算法具有明显的优势。
为解决现有素描人脸合成方法中素描人脸图像细节缺失、清晰度低及可适用性差的问题,提出一种三网络对抗学习的模型。由面部特征提取网络、生成网络及判别网络组成,引入面部细节损失与对抗损失相结合的复合损失函数,提高合成素描人脸图像的质量。在公共素描人脸数据集中与现有方法的定量与定性对比实验验证了该方法能够生成更加逼真、清晰的素描人脸图像。
为解决复杂背景下传统手势检测和识别存在检测不精准、漏识误识等方面的问题,提出一种基于无锚框centernet的手势检测网络。用优化后的shufflenetv2网络提取特征,后端通过热图的峰值点及邻近区域特征回归得到手势目标的属性,不用非极大值抑制算法进行后处理,得到合理的手势检测速度和精度。在公开数据集Egohands和通过RGB摄像头自建的包含7种不同手势的数据集上的实验结果表明,手势检测的均值
养鸡是养殖历史悠久的传统项目。无论散养还是舍养，养殖过程中易发生疾病，给农户带来经济损失。因此，在鸡的养殖过程中，必须对鸡的日常疾病防控保健工作高度重视。本文从鸡的常见
通过对通航电力巡检流程并结合实际场景对历史运行数据进行分析,对高压电塔点及电网线与无向图的相似性进行对比研究,建立直升机电力巡检结构的拓扑模型。在此基础上,考虑巡检直升机的最大里程限制和图的DFS(深度优先遍历)算法思路,提出一种结合实际场景的连续遍历待巡检网络算法。分别应用到几种不同类型的电力巡检路径中,用计算机仿真技术真实模拟出直升机在电网巡视中的航迹情况。仿真结果表明,优化后的算法在某种程度上实现了巡检任务的一致连续性,将巡视效率提高了3.2%。
为解决当前乳腺癌影像检测任务中数据样本量少、医学专业性强等问题,提出一种基于难样本挖掘和深度学习的乳腺癌检测方法。以乳腺癌医学图像数据库中含有正负样本的X光影像训练模型,通过改进Mask R-CNN特征金字塔结构对目标区域的高低层特征充分学习,利用难样本挖掘方法对正样本及难负样本进一步筛选,降低患病区域误检率,避免深度学习模型依赖样本量所造成的过拟合问题。实验结果表明,该方法在公开数据集上的检测精
针对资源投入调度问题,提出了基于实时调度状态的调度优先级规则智能决策机制,构造了嵌合人工神经网络的双层迭代循环搜索算法。算法上层为启发式资源搜索框架,下层为基于实时调度状态的调度优先级规则智能决策算法。下层算法通过双隐层BP神经网络离线学习,获得调度状态与调度优先级规则的映射关系,并在实时调度过程中的每一阶段,根据当前调度数据,智能决策调度优先级规则,并指导作业调度进行。最后,通过标准算例库PSPLIB进行对比实验,验证了所设计算法的有效性。