【摘 要】
：
气胸是肺部常见疾病之一，目前已有的X线气胸检测方法主要存在两个问题:一是气胸通常与肋骨、锁骨等组织重叠，在临床上存在较大的漏诊情况;二是现有的主流分割算法采用单一或双重阈值策略，导致结果不准确。针对上述问题，本文提出了一种新颖的气胸分割方法。该方法首先对胸片进行对比度限制自适应直方图均衡化，去除噪点并还原图像细节；通过以MBConvBlock为编码器模块的卷积神经网络层提取图像中抽象的深层特征；然
论文部分内容阅读
气胸是肺部常见疾病之一，目前已有的X线气胸检测方法主要存在两个问题:一是气胸通常与肋骨、锁骨等组织重叠，在临床上存在较大的漏诊情况;二是现有的主流分割算法采用单一或双重阈值策略，导致结果不准确。针对上述问题，本文提出了一种新颖的气胸分割方法。该方法首先对胸片进行对比度限制自适应直方图均衡化，去除噪点并还原图像细节；通过以MBConvBlock为编码器模块的卷积神经网络层提取图像中抽象的深层特征；然后通过解码器对提取到的特征映射进行插值重构得到每个像素的二分类结果；最后采取改进的三重阈值策略输出更满足
其他文献
预制叠合板构件质量问题是导致施工现场预制构件不能顺利安装的重要因素之一。提出了一种基于机器视觉的智能化检测预制叠合板构件的方法。首先通过预制构件生产线上的摄像系统进行图像采集，然后通过滤除噪声对图像进行预处理，通过Canny算子对边缘特征进行提取，Harris角点检测算法对图像内部特征进行提取，并将提取出的信息已储存信息进行对比。利用该方法对三块预制叠合板试件进行了特征识别及分析，结果表明：该检测
在深度学习应用于新型冠状肺炎CT智能识别的研究中，大量研究人员通过构建深度神经网络训练模型，从而理解医学影像数据内容，辅助新冠肺炎诊断。本文首先提出AMDRC-Net架构，其中的残差结构，通过恒等映射解决了网络退化问题，与此同时，针对残差结构阻碍新特征探索的新问题，受到注意力机制等最新研究启发，研究了长短注意力引导机制。随后，关注深度学习模型安全性问题，讨论基于梯度上升的对抗攻击方法；为了解决其单
随着视频行业的不断发展，受损视频帧检测应用也愈加广泛，为了满足视频帧检测中的实时性要求，本文对卷积神经网络中运算量来源进行分析，提出了一种基于特征图通道分解和卷积核通道分解的网络加速算法。并依此构建Group-Inception 结构。通过特征图通道分解的方式减少运算量，并能够自适应选择合适的卷积操作；利用卷积核通道分解技术在保证卷积效果和传统卷积相当的情况下大幅减少运算量。
为了高效、准确、自动获取植物叶片外形参数，提出一种基于多分辨率编码点云深度学习网络（MRE-PointNet）和自编码器模型的绿萝叶片外形参数估测算法。使用Kinect V2相机以垂直姿态获取绿萝叶片点云数据，采用直通滤波、分割、点云精简算法对数据做预处理，通过其测定的叶片外形参数反演出参数方程构建的绿萝叶片几何模型，并计算几何模型的叶长、叶宽、叶面积。将不同参数组合构建的几何模型离散成点云数据输
随着视频行业的不断发展，受损视频帧检测应用也愈加广泛，为了满足视频帧检测中的低资源消耗要求，本文对卷积神经网络中参数量的来源进行分析，提出了新的卷积神经网络剪枝算法实现卷积神经网络的压缩。首先结合了卷积神经网络权重和数据传播过程提出了基于数据流动的节点重要性评估算法，然后引入了记忆力机制避免可能由于评估样本较少而造成的误剪枝，最后，本文基于节点重要性评估结果提出了基于重要性采样的软剪枝策略，进一步
目前，大多数异常检测算法仅通过正常样本训练模型，但缺乏异常样本，将会造成一定程度的误判。为改善传统算法面临的这一问题，本文提出一种基于有效异常样本构造的异常检测算法。视频中帧与帧间的连续性是一种重要的信息，正常事件对应的视频帧往往平稳变化的，然而异常事件对应的视频帧往往无此规律，利用此特点可以进行异常样本的构造。通过K-means聚类算法得到代表不同类型正常事件的聚类簇，然后结合本文构造的异常样本
目的 为了更加客观的评估用户体验，拓展用户研究的途径，引入表情识别技术对已有用户研究方法进行优化与探索。方法 以阅读APP为研究载体，表情识别与卷积神经网络算法为技术手段，通过设计人机交互实验将其应用于用户研究过程中，建立用户面部表情与用户主观满意度的映射关系。结果 针对阅读APP“X”，开展了基于表情识别技术和传统问卷访谈相结合的双向设计研究，并采用对比验证的方法得出基于表情识别技术的用户满意度
为减少交通事故的发生、维护生命财产安全，需要开展驾驶人疲劳状态检测研究。本文提出采用融合眼、嘴、头部特征的方法进行驾驶人疲劳检测。该检测方法首先采用LBP特征检测到人脸，其次通过多级级联的残差回归树算法获取驾驶人面部特征点，并通过3D人脸模型匹配获得驾驶人头部的运动姿态，最后通过融合头部姿态、面部嘴、眼开合度特征的方式建立驾驶人疲劳检测模型并进行训练。与其它检测方法相比，该方法能更加准确的进行驾驶
断层是控制油气田形成和分布的主要因素，查明断层的形态及分布是油气勘探的重要任务，因此断层识别在油气勘探领域起着重要作用。近年来，深度学习在油气领域的应用越来越多。本文基于Attention-UNet图像分割模型，提出一种改进的网络结构SPD-UNet模型，用于地震断层的图像识别，模型利用神经网络强大的编码和解码功能来实现断层图像的自动识别。SPD-UNet引入了空洞卷积，在扩大感受野的同时可以有效
基于全卷积孪生网络的视频目标跟踪算法由于在跟踪过程中使用单一模板，因而在运动目标外观发生变化时容易出现跟踪漂移并导致精度下降。因此，提出了一种基于孪生网络融合多模板的目标跟踪算法，该算法可在特征级上建立模板库，并使用平均峰值相关能量和模板相似度来保证模板库中各个模板的有效性，从而对多个响应图进行融合以获得更高的跟踪精度。OTB2015和VOT2016数据集上的测试结果表明，在运动目标外观发生变化的