基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法，利用带通滤波对原始心电数据进行降噪处理，实现QRS波群定位和心拍截取；设计7层的一维卷积神经网络（convolutional neural network，CNN）模型，对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测，从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练，结果显示，其准确度为9900%，召回率为9908%；与相关文献的研究方法对比，本方法具有较高识别精度，能有效解决人工对心电图识别的误诊、错诊问题。     

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.     

一种从融合颜色信息和深度信息的PNG文件中提取点云数据的方法

使用微软Kinect体感设备对物体三维信息构建时会产生大量的场景彩色信息和深度信息,可在Open CV框架下将Kinect视场下的信息保存为两张PNG格式的RGB图和深度图,为后续的物体三维构建提供原始的数据信息,这种方法使用比较繁琐。针对此问题提出了一种将颜色信息和深度信息融和到一张PNG文件中,隐藏深度信息到Alpha通道并在OpenFrame Works平台下实现了提取三维点云数据的方法。     

数字图像的二重分块置乱算法

针对数字图像的加密置乱问题,利用将图像连续两次分块并分别执行块置乱和像素置乱的二重操作方法,给出数字图像的二重置乱算法。得到的置乱效果相对于传统的仿射变换,具有密钥数量大、置乱效果好、抗统计分析攻击能力强等特点。有效解决了传统二维仿射变换置乱效果较差、效率低等问题。     

无定形区特征增强全景分割算法

针对UPSNet全景分割算法在目标分割过程中存在对无定形区目标分割精度不高的现象,提出一种无定形区特征增强的UPSNet全景分割算法APS。该算法引入空洞卷积,采用自下而上的方式构建特征融合结构,使无定形区特征得以增强,解决无定形目标特征不显著问题,提高语义分割效果,进一步提高全景分割精度。经仿真测试,该算法对道路、草地等无定形目标分割效果均有提高,在COCO数据集上的检测结果与UPSNet相比,SQ值提高4.75%,适合应用于无人车和移动机器人等场景。     

双通道多感知卷积神经网络图像超分辨率重建

基于深度卷积神经网络的单幅图像超分辨率重建取得了显著研究成果.但随着深度卷积神经网络规模的不断扩大，如何降低网络构建难度和计算成本成为一个难点.为此，提出了一种双通道多感知卷积神经网络(DMCN)模型.该模型在两条具有不同卷积核的通道上建立了稠密连接，并构建了带有动态调节能力的层间融合结构.这种结构的设计使得小规模卷积神经网络便能获得图片特征信息的全面感知能力.实验结果表明，DMCN重建效果优于目前多数具有代表性的重建算法.     

一种利用Spark-GPU加速 CT图像重建的设计

目的:进一步解决CT图像重建耗时长的问题,实现大批量重建CT图像.方法:利用大数据框架Spark构建GPU集群.首先对加速滤波反投影(FBP)和同时代数迭代重建技术(SART)算法的复杂度进行分析及并行化设计,并比较在GPU和CPU上的运行速度.通过对比耗时选择最佳的计算组合,实现单机GPU加速.通过thunder工具读取批量的投影数据并创建分布式数据集,使用Numba开发CUDA程序并部署在Spark运行.结果:FBP算法运行速度有近40倍的提升,SART算法运行速度有近10倍的提升.结论:Spark和GPU结合能够扩展Spark的性能,突破单机加速瓶颈,大幅提升计算速度,对于不同的图像重建算法均有良好的加速效果,表明Spark-GPU在图像重建方向有良好的应用前景.     

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%.