【摘 要】
：
宫颈细胞图像识别算法是计算机辅助筛查的一项关键技术。目前,大部分宫颈细胞图像识别过于依赖完备的大量标注样本,这需要投入大量的人力物力。本文针对少量标注下宫颈细胞图像的识别难题,依次建立了多任务自监督学习方法、基于伪标签的半监督学习方法、基于注意力机制和多尺度特征融合的模型,提高了少量标注时的宫颈细胞分类效果。本文主要工作如下:（一）本文针对通用预训练模型对宫颈细胞识别的适应性差、微调效果有限,提出
论文部分内容阅读
宫颈细胞图像识别算法是计算机辅助筛查的一项关键技术。目前,大部分宫颈细胞图像识别过于依赖完备的大量标注样本,这需要投入大量的人力物力。本文针对少量标注下宫颈细胞图像的识别难题,依次建立了多任务自监督学习方法、基于伪标签的半监督学习方法、基于注意力机制和多尺度特征融合的模型,提高了少量标注时的宫颈细胞分类效果。本文主要工作如下:（一）本文针对通用预训练模型对宫颈细胞识别的适应性差、微调效果有限,提出了宫颈细胞图像的多任务自监督学习方法。从多尺度特征、缺失特征复原和通用特征学习三个方面,建立了包含图像尺度学习、细胞图像重建和对比学习的多任务自监督学习模型。在自制宫颈细胞图像数据集上开展了预训练模型学习试验,仅用1‰（152个）的样本数据进行微调,多任务自监督学习方法的准确率就能达到55.75%。相比于随机初始化和预训练模型,分类准确率分别提高17.08%,6.47%。（二）本文针对图像特征提取模型对不同成像设备获取图像的鲁棒性差,提出了一种基于伪标签的半监督学习方法,利用多种域的大量无标注数据,提高宫颈细胞图像识别的精确性和鲁棒性。在多域宫颈细胞图像数据集上,仅用1‰（152个）的样本数据进行微调,分类准确率达到58.37%,AUC达到0.794。相比于单域上的结果,伪标签半监督学习的平均准确率提升4.47%,AUC提升0.046。（三）本文针对单一尺度下宫颈细胞识别不准确问题,提出一种基于注意力机制和多尺度特征融合的模型,对宫颈细胞的多尺度特征进行融合,更好地利用有限标注样本进行宫颈细胞图像分类。实验表明,每类仅用200个样本时,分类准确率达到了63.83%,AUC达到了0.870,与用单一尺度进行分类的模型相比准确率提高了3.93%,AUC提高了0.022。在不同训练样本量的情况下,宫颈细胞四分类任务上准确率提高1%～4%。
其他文献
得益于在分布式控制、智能电网、大规模机器学习以及许多其它领域的应用前景,分布式优化已成为控制领域最为活跃的研究方向之一。本文基于原始-对偶梯度法,包括其连续时间形式——原始-对偶梯度动力学和离散时间形式——原始-对偶梯度算法,对一类带有耦合等式约束和局部集合约束的分布式约束耦合优化问题（下面简称P）进行了深入研究:首先,针对P的特例（不存在局部集合约束）设计了一种增广原始-对偶梯度动力学并分析了其
语义地图除了具有场景的几何结构信息外,还能提供高层次的物体语义理解,在越来越多的三维视觉场景任务如增强现实、人机交互、无人驾驶等中得到应用。语义地图需要从场景中推理出相关知识或语义,这离不开语义分割。语义分割在深度学习的推动下迅速发展,成为三维场景理解的基础,是机器视觉领域重点研究技术之一。基于深度学习的语义分割与语义建图算法还有诸多挑战,一方面,语义分割精度和实时性还存在提升空间;另一方面,语义
多智能体系统一致性的研究有助于揭示群体智能的内部机制,相关成果在民用、军事领域具有广泛的应用前景,例如协同编队、分布式优化和分布式观测等。智能体之间的信息共享是系统到达一致的一个重要条件。实际场景中,由于存在环境噪声或测量误差等不利因素,智能体之间往往不能准确地获取其邻居信息;在社交网络中,由于受到同伴压力或社会认同等因素的影响,个体往往不会表达自己真实的观点,而是表达一个修饰后的观点。基于上述考
目的 探析综合性康复治疗对头颈部肿瘤患者放疗后情绪、体力与生活质量影响。方法 选取97例头颈部肿瘤患者作为研究对象,根据收治时间先后分为常规组（49例）和综合组（48例）。常规组采用常规康复治疗,综合组在常规组基础上采用综合性康复治疗。比较两组治疗前后焦虑、抑郁评分,治疗前后患者提供的主观整体营养状况评估量表（PG-SGA）评分、体质量,治疗前后非利手握力、生命质量测定量表（QLQ-C30）评分。
随着无人系统技术的不断发展,不同类型的无人系统相互跨域协同凭借其明显的优势已经成为了当前无人系统技术研究和应用的热点领域。无人机搭配无人艇水空跨域协同作业可有效的将海洋的监测、感知维度从二维拓展到三维,赋予在海洋上跨域无人系统集群的立体监测和巡逻侦察的能力。本文对无人艇和无人机水空跨域协同编队技术展开了研究,并开展了仿真与物理实验工作,具体内容如下:首先,研究了无人艇编队问题。依据领导跟随法的编队
随着无人驾驶领域的发展,无人艇（Unmanned Surface Vehicle,USV）作为水面无人系统的载体倍受大众关注,在集群控制、任务分配、目标识别与跟踪、路径规划与导航等领域具有重要的应用价值。良好的感知能力是无人艇执行高阶任务的前提,因而需装备多类传感器。由于激光点云包含丰富的位置信息,且能够满足全天候的采样需要,所以本文根据激光雷达提供的观测数据,以三维点云为主要研究对象,发掘目标的
语义分割是计算机视觉领域中的基础课题之一,在自动驾驶与医学影像处理等领域中有着重要的应用。由深度传感器获得的深度图像包含场景的空间几何信息,可以作为RGB图像中颜色纹理信息的补充,用于提升语义分割的性能,因此,近年来RGB-D语义分割算法受到了较多的关注。本文针对当前RGB-D语义分割中图像的噪声问题和分割细节不足的问题进行了系统的分析和研究,并在主流的基于双流网络的RGB-D语义分割框架上提出了
在图像采集过程中,受到设备、环境、网络等客观因素的影响,获取的图像往往会产生一定程度的退化,对后续的图像处理造成不利影响。此时,通常可以使用超分辨率重建方法,对图像进行增强。然而,目前常用的图像超分辨率评价指标:峰值信噪比和结构相似性,没有对图像识别效果起到直接作用。针对上述问题,本文开展了面向识别的图像重建算法研究以及后续的重建图像识别算法研究。针对缺少面向识别的超分辨率数据集的问题,本文以公开
合成孔径雷达（Synthetic Aperture Radar,SAR）的优良性能使其在军事和民用领域中被广泛应用,随着SAR成像系统的发展,SAR图像分辨率越来越高,使得从SAR图像中检测与识别车辆目标成为可能。由于SAR图像的特点及地面背景的复杂性,传统的SAR图像车辆目标检测与识别算法性能较差,因此开展智能化的从大幅面SAR图像中识别车辆目标方法研究具有重要意义。论文以SAR图像车辆目标的检
随着现代科学技术的发展,自动驾驶逐渐成为当下的热点话题之一。无人机,无人车,无人艇等具有自主巡航能力的载具与人们生活的关系越来越紧密。作为一种新型无人载具,水面无人艇具有智能化水平高,机动能力强,可高度定制等特点,可以高效协助人类进行海洋资源的开发与应用。运动控制系统旨在控制无人艇运动状态,是无人艇实现自主化,智能化的基石。本文以具有双舵与双螺旋桨的双体无人艇（后文简称双体船）为研究对象,对其展开