基于多序列MRI和深度学习的乳腺癌早筛方法研究
这是一篇关于乳腺癌,磁共振成像,卷积神经网络,融合的论文, 主要内容为如今,乳腺癌仍是世界范围内危及女性健康和生命安全的主要癌症,并且也存在一定比例的男性患者。目前检测乳腺癌的成像方式中,磁共振成像(Magnetic Resonance Imaging,MRI)能够提供病灶区域的更多信息,经常作为癌组织诊断和肿瘤观测的主要途径。此次研究的主要内容是使用卷积神经网络实现对MRI图像的分类和对病灶区域的分割。本文提出了基于密集特征连接的多层次特征融合网络架构(Densemultimode network,DMN)来对多种序列的图像进行融合分类,模型中对于每个成像序列都使用卷积神经网络来提取特征。在密集连接模块中,当前网络层的输入是之前网络层输出特征的通道连接结果。模型在多路径网络的不同阶段融合不同序列的特征,并非只采用高维特征叠加的简单融合模式。传统的分类融合方法是通过深度学习模型分别对不同的数据分类,再将多个结果融合从而得出结论,忽略了特征之间的关联。本文提出的分类方法更有效地利用了从多种成像模式图像中提取的特征,得到了0.949的分类准确率,也很好地模拟了真实情况中根据多参数图像进行诊断的过程。在病灶分割研究中,本文优化了基于编解码器的U-Net,改进采样方法和损失函数后形成了Usst-Net架构以提升分割表现,获得了0.870的骰子相似系数。病灶区域的时间-信号强度曲线也说明了该方法的准确性。根据实际的临床诊断模式实现的融合分类模型和分割方法,能够在很大程度上帮助医生开展乳腺癌诊断工作。
基于多序列MRI和深度学习的乳腺癌早筛方法研究
这是一篇关于乳腺癌,磁共振成像,卷积神经网络,融合的论文, 主要内容为如今,乳腺癌仍是世界范围内危及女性健康和生命安全的主要癌症,并且也存在一定比例的男性患者。目前检测乳腺癌的成像方式中,磁共振成像(Magnetic Resonance Imaging,MRI)能够提供病灶区域的更多信息,经常作为癌组织诊断和肿瘤观测的主要途径。此次研究的主要内容是使用卷积神经网络实现对MRI图像的分类和对病灶区域的分割。本文提出了基于密集特征连接的多层次特征融合网络架构(Densemultimode network,DMN)来对多种序列的图像进行融合分类,模型中对于每个成像序列都使用卷积神经网络来提取特征。在密集连接模块中,当前网络层的输入是之前网络层输出特征的通道连接结果。模型在多路径网络的不同阶段融合不同序列的特征,并非只采用高维特征叠加的简单融合模式。传统的分类融合方法是通过深度学习模型分别对不同的数据分类,再将多个结果融合从而得出结论,忽略了特征之间的关联。本文提出的分类方法更有效地利用了从多种成像模式图像中提取的特征,得到了0.949的分类准确率,也很好地模拟了真实情况中根据多参数图像进行诊断的过程。在病灶分割研究中,本文优化了基于编解码器的U-Net,改进采样方法和损失函数后形成了Usst-Net架构以提升分割表现,获得了0.870的骰子相似系数。病灶区域的时间-信号强度曲线也说明了该方法的准确性。根据实际的临床诊断模式实现的融合分类模型和分割方法,能够在很大程度上帮助医生开展乳腺癌诊断工作。
基于多类别信息融合的知识表示学习研究
这是一篇关于知识表示学习,编码器,注意力机制,融合,超平面投影的论文, 主要内容为知识图谱提供了有效的结构化知识信息,并且成为web搜索、问答系统、语义分析等智能应用的基础。针对不同的知识图谱,人们需要设计专门的图算法来存储和利用知识图谱。随着知识的不断增加,传统的基于网络形式的知识表示存在着大量问题,计算效率问题,数据稀疏问题等等,因此知识表示学习应运而生。知识表示学习旨在将知识的语义信息表示为稠密实值低维向量,从而为知识图谱提供一个合理的数学计算框架,大大促进知识的获取和推理。现有的知识表示学习模型大部分都只关注知识图谱的知识三元组信息,却忽略了实体的文本描述以及图像信息中蕴含的丰富信息。为了充分利用文本以及图像信息辅助建立更加准确的知识表示,并且过滤掉其中的一些噪声信息,首先要充分提取文本信息以及图像信息的特征,为此,本文提出了基于注意力机制的图像编码器以及基于知识三元组的文本编码器。基于注意力机制的图像编码器以经典图像分类模型AlexNet为模型网络主体部分,并在此基础上加入了注意力机制,使得图像编码器能够自动地选择高质量的实体图像,过滤掉实体图像中的噪声数据。而基于知识三元组的文本编码器则是在Text-CNN模型的基础上加入知识三元组信息的影响,从而使得文本编码器能够自动抽取文本描述中高质量的实体相关信息,减少文本描述中无用信息的干扰。在从实体的描述文本信息以及图像信息中充分提取特征之后,如何利用其结合知识图谱的结构化信息共同建立更加合理的知识表示更是重中之重。为此,本文提出了基于超平面投影的知识表示学习模型EHP(entity hyperplane projection)。EHP模型在关注知识图谱事实三元组信息的同时,通过超平面投影建立结构化信息和非结构化信息包括图像和文本信息的强相关性,结合图片和文本信息对知识表示向量进行二次约束以得到更加精确的结果。综上所述,本文提出了基于注意力机制的图像编码器以及基于知识三元组的文本编码器使得两种编码器更加适用于知识表示学习任务。在此基础上构建了融合多类别信息的知识表示学习模型EHP,在关注知识图谱结构化信息的同时,充分利用实体文本描述以及图像信息中蕴含的丰富知识,大大地提升了知识表示性能。
“放管服”改革视阈下政府采购与互联网深度融合研究
这是一篇关于互联网+,政府采购,融合,实现路径的论文, 主要内容为2017年10月,习近平总书记在中国共产党第十九次全国代表大会上提出了深化供给侧改革的意见:“推动互联网、大数据、人工智能和实体经济深度融合”。我国各省市自治区政府采购先后启动了“互联网+政府采购”系统的建设。2018年6月,国务院出台《进一步深化“互联网+政务服务”改革实施方案》,首次将“放管服”改革与“互联网+政务服务”建设两个概念联结起来,明确要求“‘深化放管服改革’,加快推进‘互联网+政务服务’”。随着互联网、云计算、大数据在政府采购领域的广泛运用,实现政府采购与互联网深度融合,是深化“放管服”改革的必然要求,目前已在制度建设、电子化全流程招标和采购规模等方面实现了快速发展,但是,如何放权?放哪些权?如何实现政府采购与互联网的深度融合,是值得关注和解决的课题。在对国内外相关文献进行系统梳理的基础上,介绍了相关概念和相关政策演进,通过对我国“互联网+”政府采购发展的历程和现实状况的分析,认为互联网与政府采购融合发展过程中仍存在融合深度不够、广度不够、融合方式参差不齐、政府采购效率不高等问题。以呼和浩特市在“互联网+”背景下“放管服”改革的实践探索为例,详细剖析了呼和浩特市在利用互联网工具进行深化“放管服”改革的过程中出现对电子化交易系统不畅通、合同备案工作不完整、电子开评标未实现全程电子动态监管等问题,并针对这些不足分析其存在的原因。为实现我国政府采购与互联网深度融合,提出了加强大数据技术、电商平台与政府采购平台的结合、推动管理一体化建设,加快互联网与政府采购融合创新、加强专业人才队伍建设、建立健全政府采购相关法律、制度与体系等对策建议。
变形TPMS单元骨组织多孔结构参数化设计
这是一篇关于多孔支架,变形三周期极小曲面,功能梯度支架,融合,参数化设计的论文, 主要内容为创伤、肿瘤和骨关节炎造成的大面积骨缺损修复,是现代医学中具有挑战性的问题。随着骨组织工程和增材制造技术的发展,可制备任意个性化、复杂化、精细化多孔支架,为解决大面积骨缺损问题带来了新的解决方案。设计结构和性能良好的多孔支架是骨组织工程中最为关键的一步。在多孔支架的设计研究中,一些学者发现基于三周期极小曲面(Triply Periodic Minimal Surface,TPMS)的多孔结构,非常适合应用于医学组织工程领域。国内外以常规TPMS单元为基础的骨组织多孔支架设计研究较多,变形TPMS研究极少,常规TPMS和变形TPMS各有优劣。针对上述问题,本文建立TPMS函数参数与多孔结构孔隙特征之间的关系,提出变形TPMS多孔支架、功能梯度多孔支架和融合多孔支架参数化设计方法,可生成孔隙特征可控的多孔结构。主要工作内容包括:(1)研究变形TPMS孔单元基本表达。采用移动立方体(Marching Cubes,MC)算法实现TPMS的可视化表达,通过TPMS分割其有向包围盒(Oriented Bounding Box,OBB)设计变形TPMS孔单元,研究TPMS函数参数对多孔结构造型的影响,为参数化设计算法中控制多孔结构造型提供理论依据。(2)提出变形TPMS多孔结构参数化设计方法。通过建立TPMS函数参数与多孔结构孔隙率之间的相关关系,提出变形TPMS多孔结构参数化设计方法,并采用惩罚函数优化设计,处理高孔隙率结构发生断裂的问题。(3)提出功能梯度多孔结构参数化设计方法。利用TPMS函数参数在空间单轴方向上的线性变化,研究轴向线性梯度和径向线性梯度多孔结构的特征。结合距离场,采用点、线、面标定空间梯度方向的思想,提出空间任意方向梯度多孔结构设计方法。并引入高斯函数,提出更具仿生性能的高斯梯度多孔结构设计方法。(4)提出不同类型TPMS单元融合的多孔结构参数化设计方法。利用线性插值描述两种不同类型TPMS融合过渡情况,提出sigmoid函数法,通过调节sigmoid函数参数优化其过渡结构。并以sigmoid函数作为权重函数,通过划分空间子区域,提出空间任意多种不同类型TPMS融合的多孔结构参数化设计方法,并通过设计实例验证。(5)开发骨组织多孔支架参数化设计系统,并应用于临床实例设计。基于三维建模软件Rhinoceros的设计平台Grasshopper,实现算法并开发骨组织多孔支架参数化设计系统,通过临床实例应用,验证所提出方法的可行性和有效性。
基于WEB平台的通信资源管理系统与光缆监测系统融合的设计与实现
这是一篇关于资源管理系统,光缆监测系统,融合,数据模型,事件通道的论文, 主要内容为电力系统通信资源管理软件及光缆监测系统软件已在部分电力公司得到应用,但随着电力通信网的扩大,通信承载业务量的增多,需要实现各系统的信息共享,节省网络资源,构建一个综合性技术平台。在同一平台上实现资源管理及光缆线路资源管理及监测,有利于运行维护人员的管理,实现资源的共享。因此,将资源管理系统与光缆监测系统融合是电力通信网研究的一个热点。 本文首先分析了资源管理系统与光缆监测系统的研究现状,深入研究两个系统相关理论知识,了解两个系统的工作原理、功能、结构以及所用到的相关技术。在理论分析的基础上,并结合客户可能的操作,将资源对象进行分类,确定各对象之间的关系,借助PowerDesigner工具,以光缆模型为例,介绍了其物理模型及数据库结构设计。 针对融合系统要实现的目标以及实现系统融合要解决的几个问题,对融合系统进行了总体设计。融合系统架构采用4层结构,即数据服务层、功能服务层、Web服务层和客户浏览层；系统的开发模式选用B/S结合Ajax的模式,实现一次开发,到处运行,在不刷新页而的情况下更新用户界而内容的效果；通过对资源管理系统与光缆监测系统的功能进行分析、归纳、整理,对融合系统的功能进行了设计,大体上划分为资源管理子系统、光缆监测子系统和系统自身管理子系统,各子系统在功能上完全独立。为实现功能服务层与Web服务层以及功能服务层之间的数据同步,系统采用CORBA技术中的事件通道发送配置、告警信息,在各层间建立了事件通道模型,并对各层收发事件流程进行了详细设计 最后对融合后的系统进行调测,结果显示该系统基本实现了预期的功能。
面向电商平台用户生成内容的多源异构数据融合与表示
这是一篇关于多源异构,用户生成内容,表示学习,融合,短文本的论文, 主要内容为用户生成多源异构数据融合与表示在各个领域引起广泛关注,如电商平台中用户评论与消费行为可为企业和商家针对用户的个性化服务提供重要依据。目前,针对多源文本的融合表示相对简单,没有考虑长短文本间的差异性,表示精度有待提高;此外,在进行异构数据融合时,近年来提出的深度学习可将各结构数据映射到同一共享空间。但是,已有研究较少针对电商平台中的用户生成内容。鉴于此,本文研究面向电商平台用户生成内容的多源异构数据融合与表示策略,主要内容如下:(1)电商平台用户生成文本数据的融合表示:首先,将用户生成多源文本根据数据的长度与特点分为长短文本区分处理,提出基于Doc2vec模型与隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)模型融合的策略,提取短文本特征;在此基础上,提出基于皮尔逊相似度选择商品评论与描述文本融合对象的方法,确定表示商品文本特征所需最少文本数;最后,将所提算法应用于亚马逊公开数据集多类商品分类问题,仿真结果表明所提算法可有效提高多源文本融合的精度,缓解信息过载。(2)电商平台用户生成多源异构数据的融合表示:在研究内容(1)的基础上,进一步考虑含评价文本和物品图像数据的用户生成内容异构数据的融合表示。首先,利用迁移学习的思想,使用预训练的残差网络(Residual Network,Res Net)获取商品图像数据的特征表达;然后,利用研究内容(1)的研究结果结合图像数据与评价文本的特征,考虑图文互补性,提出离散卷积融合策略,完成多源异构数据的融合;最后,将所提算法应用于亚马逊公开数据的扩展数据集上,实验结果证明了所提融合算法的有效性。(3)基于用户生成多源异构数据融合表示的个性化推荐:将研究内容(1)和(2)应用于实际问题中的个性化推荐中,以进一步说明所提算法的有效性,提出了基于多源异构数据融合表示和RBM评价偏好估计的个性化推荐策略。首先依据多源异构数据特征的融合表示和商品类别属性,构建基于受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的用户偏好估计模型;然后,进一步利用用户隐式和显式偏好联合学习协同过滤算法,完成用户的个性化推荐;最后,将所提算法应用于亚马逊多个领域的用户推荐问题,结果证明基于多源异构用户生成内容融合表示的物品描述可有效提高推荐的准确率,并为推荐结果提供更多的可解释性。该论文有图18幅,表14个,参考文献93篇。
基于多类别信息融合的知识表示学习研究
这是一篇关于知识表示学习,编码器,注意力机制,融合,超平面投影的论文, 主要内容为知识图谱提供了有效的结构化知识信息,并且成为web搜索、问答系统、语义分析等智能应用的基础。针对不同的知识图谱,人们需要设计专门的图算法来存储和利用知识图谱。随着知识的不断增加,传统的基于网络形式的知识表示存在着大量问题,计算效率问题,数据稀疏问题等等,因此知识表示学习应运而生。知识表示学习旨在将知识的语义信息表示为稠密实值低维向量,从而为知识图谱提供一个合理的数学计算框架,大大促进知识的获取和推理。现有的知识表示学习模型大部分都只关注知识图谱的知识三元组信息,却忽略了实体的文本描述以及图像信息中蕴含的丰富信息。为了充分利用文本以及图像信息辅助建立更加准确的知识表示,并且过滤掉其中的一些噪声信息,首先要充分提取文本信息以及图像信息的特征,为此,本文提出了基于注意力机制的图像编码器以及基于知识三元组的文本编码器。基于注意力机制的图像编码器以经典图像分类模型AlexNet为模型网络主体部分,并在此基础上加入了注意力机制,使得图像编码器能够自动地选择高质量的实体图像,过滤掉实体图像中的噪声数据。而基于知识三元组的文本编码器则是在Text-CNN模型的基础上加入知识三元组信息的影响,从而使得文本编码器能够自动抽取文本描述中高质量的实体相关信息,减少文本描述中无用信息的干扰。在从实体的描述文本信息以及图像信息中充分提取特征之后,如何利用其结合知识图谱的结构化信息共同建立更加合理的知识表示更是重中之重。为此,本文提出了基于超平面投影的知识表示学习模型EHP(entity hyperplane projection)。EHP模型在关注知识图谱事实三元组信息的同时,通过超平面投影建立结构化信息和非结构化信息包括图像和文本信息的强相关性,结合图片和文本信息对知识表示向量进行二次约束以得到更加精确的结果。综上所述,本文提出了基于注意力机制的图像编码器以及基于知识三元组的文本编码器使得两种编码器更加适用于知识表示学习任务。在此基础上构建了融合多类别信息的知识表示学习模型EHP,在关注知识图谱结构化信息的同时,充分利用实体文本描述以及图像信息中蕴含的丰富知识,大大地提升了知识表示性能。
基于注意力机制的少数民族服饰图案分割研究
这是一篇关于少数民族服饰,图案分割,SegNet模型,SE注意力,注意力特征,融合,深度过参数化卷积的论文, 主要内容为民族服饰文化是各族人民的劳动成果、色彩喜好、风俗特点和宗教信仰等各种文化交融的体现,是中国传统文化必不可少的一部分。随着人类社会的快速发展,各种文化碰撞与交融,少数民族服饰的重要元素不断流失。因此,分割出精准的少数民族服饰图案,能有效地将少数民族服饰图案进行数字化保存,在少数民族服饰文化的分析和解读方面发挥着极其重要的作用。民族服饰包罗万象,这也反映出少数民族服饰图案具有多元化的特点,其包含着独特的纹样、图腾、纹理和色彩等重要的元素特征,运用深度学习的方法,有效且准确地对少数民族服饰图案进行分割具有极大的挑战性。本文以Seg Net模型为骨干网进行图案分割研究,该模型在少数民族服饰图案数据集中的分割效果并未取得良好的结果,如何改进Seg Net模型对少数民族服饰图案数据集进行精准的分割,这对少数民族服饰文化的弘扬和发展有着极其重要的意义。本文主要研究内容如下:(1)针对少数民族服饰元素多元化、纹饰图案不规则引起的目标区域特征提取难度大的问题,提出了一种基于SE注意力机制的分割算法。注意力机制可加强对目标区域的关注,获得更多的图案特征信息。首先,将改进后的Seg Net模型作为骨干网络,对少数民族服饰图案进行特征提取。其次,在模型中融入SE注意力机制,关注更多的细节特征。最后,通过不同的评价指标,对比不同的网络模型的分割结果。本文实验数据集来源于北京服装学院民族服饰博物馆,按特定的图像类型收集少数民族服饰图案,并对服饰图案进行相关预处理,用于本文实验。实验结果表明,将SE注意力机制和改进后的Seg Net模型融合起来,模型的准确率、交并比、相似系数均高于其他网络,分割效果优于其他对比网络。(2)针对少数民族纹饰图案的多样性,且色彩差异大引起的目标区域提取困难等问题,提出了一种基于注意力特征融合的分割算法。在Seg Net模型中使用深度过参数化卷积,增加可学习的参数,增强模型性能,引入注意力特征融合机制,可以融合不同层的特征,以此来帮助模型获得更多的图案信息。最后通过不同的评价指标以及色彩差异大的少数民族服饰图案的分割结果进行对比。实验结果表明,提出的模型在少数民族服饰图案数据集取得了优异的结果。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/47130.html
