基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法

在乳腺癌筛查的计算机辅助诊断过程中，乳腺肿块的精确分割至关重要.然而，乳腺肿块在X光成像中与背景灰度接近、形状不规则，使得精确分割面临很大挑战.为进一步提升分割性能，提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先，提出可分离卷积U-Net模型作为对抗网络中的生成器，以减少参数量和计算量；然后，在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息；最后，综合考虑类别不平衡、语义一致性等因素的影响，提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明，新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率，以及81.27%和82.01%的集合相似度，获得优于现有方法的分割性能.     

基于DenseNet的图像识别方法研究

在深度学习中,随着神经网络层数的加深,训练网络变得越来越困难,现有的浅层的网络无法明显提升网络的识别效果。针对在原有网络的情况下提升网络识别效果,减少参数的问题,本文提出一种改进的DenseNet网络模型,借鉴Inception V3的思想,利用非对称卷积将DenseNet网络中Dense Block层所包含的3×3卷积分解成3×1和1×3的两个卷积,简化网络结构模型。之后再对改进前与改进后的网络模型在数据集上进行训练,实验结果表明,与经典的DenseNet网络模型相比,改进后的网络模型可以提高图像识别的准确性,降低参数,有效地缩短运行时间。     

关于审查阶段如何认定权利要求保护范围的思考

本文通过对一个实际案例的分析,引出了权利要求保护范围的认定对专利审查的重要性,并从法条依据、对后续程序的意义和专利审查阶段的认定原则对权利要求保护范围的认定进行阐述,为审查过程中准确认定权利要求保护范围提供相关参考。     

利用探空秒数据估算北京地区日最大混合层高度

研究利用北京地区L波段探空秒数据和地面日最大位温, 采用气块法反演北京地区日最大混合层高度(MMH)的可行性。将08时探空秒数据以及常规探空数据反演结果分别与对应的微脉冲激光雷达反演结果相比较, 发现前者与激光雷达反演结果的一致性好于后者, 常规探空数据垂直空间分辨率低可能是导致其反演结果误差较大的原因。分别用春夏秋冬的探空秒数据反演结果与激光雷达反演结果相比较, 发现春夏秋反演结果的一致性较好, 而冬季较差。利用08时探空秒数据结合地面日最大位温, 采用气块法反演北京地区2010—2017年的MMH, 发现MMH 每年均表现出春夏秋冬逐次递减的分布特征。通过对长期资料的统计分析发现, 北京地区日地面最高气温与850 hPa温度差定义的热力稳定度与MMH之间存在较强的正相关性。     

L-半胱氨酸配位合成CdTe量子点的理论研究

本文利用密度泛函理论，研究了L-半胱氨酸及L-胱氨酸在CdTe上的吸附特征. 优化之后分别得到了四种稳定的吸附构型，计算了它们的吸附能、电荷密度、前沿分子轨道以及紫外可见吸收光谱等. 研究发现:L-半胱氨酸在CdTe上的吸附能较大、紫外可见光吸收较强，说明L-半胱氨酸在CdTe上的吸附较稳定，容易产生分子荧光，而L-半胱氨酸转化为L-胱氨酸之后，吸附稳定性降低、紫外可见光吸收强度减弱. 该研究为L-半胱氨酸配体合成的CdTe QDs荧光材料用于生物体内H2O2和葡萄糖的检测提供了理论支撑.     

基于mRMR与因子分解机的分类模型研究

很多学者用“全球恐怖主义研究数据库”GTD数据集，采用博弈论、K近邻法和支持向量机等分析恐怖事件的聚集性，已经取得一些成果.但在前期研究中未有很好考虑数据的稀疏性以及高维度多冗余等会导致聚集分类准确率不高的问题.本文提出一种基于最小冗余最大相关与因子分解机结合的TFM分类模型，使用增量搜索方法寻找近似最优的特征解决高维度多冗余问题和FM方法解决数据稀疏问题，并对预处理后的恐怖袭击事件数据用TFM模型做量化分类.文中使用朴素贝叶斯NB、支持向量机SVM、逻辑回归LR与TFM等4个模型的“马修斯相关系数”MCC进行比较，结果显示TFM的MCC相对于其他三个模型NB、SVM、LR分别提高了49.9%,2.5%,2.3%，可见TFM模型有一定可行性.     

基于源活度反演计算的γ辐射场数据重构方法

三维辐射场是反映核设施内真实外照射分布的重要数据库,可为核设施现场建立有效的屏蔽措施及确定合理的作业方案提供数据基础。为了重构出与实际较为相符的三维γ辐射场,结合点核积分理论,该文利用最小二乘法和Gauss-Seidel迭代算法,建立了基于源活度反演计算的γ辐射场重构方法,研究了所选取测量点位置对源活度反演结果的影响,并结合某核电现场的实地测量数据对该重建方法进行了实验验证与计算分析。结果表明:在现场实验中基于源活度反演算法重构出的γ辐射场数据与相对应的测量数据之间的偏差约为10%,能够满足核设施现场辐射防护的计算需要,可为其现场的辐射防护最优化提供技术支持。     

基于深度图像预旋转的手势估计改进方法

基于深度图像的手势估计比人体姿势估计更加困难,部分原因在于算法不能很好地识别同一个手势经旋转后的不同外观样式.提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)推测预旋转角度的手势姿态估计改进方法:先利用自动算法标注的最佳旋转角度来训练CNN;在手势识别之前,用训练好的CNN模型回归计算出应预旋转的角度,然后再对手部深度图像进行旋转;最后采用随机决策森林(Random Decision Forest, RDF)方法对手部像素进行分类,聚类产生出手部关节位置.实验证明该方法可以减少预测的手部关节位置与准确位置之间的误差,手势姿态估计的正确率平均上升了约4.69%.     

基于多级深度特征与随机游走的显著性检测

为了解决图像显著性检测中传统方法特征学习不全面、复杂场景下显著区域凸出不明显的问题,提出了一种基于多级深度特征和随机游走的显著性检测算法。首先,利用全卷积神经网络,结合深层和浅层卷积特征信息对图像进行多级卷积深度特征提取;然后,对图像进行超像素分割,将提取的深度卷积特征分配给相应的超像素,构建特征矩阵;最后,通过正则化随机游走排序模型生成最终的显著图。在ECSSD和DUT-OMRON数据库上的实验结果表明,与6种具有代表性的显著性检测算法相比,文中算法的准确性和F值具有一定的优势。