摘要：目的基于步态剪影的方法取得了很大的性能提升,其中通过水平划分骨干网络的输出从而学习多身体部位特征的机制起到了重要作用。然而在这些方法对不同部位的特征都是以相对独立的方式进行提取,不同部位之间缺乏交互,有碍于识别准确率的进一步提高。针对这一问题,本文提出了一个新模块用于增强步态识别中的多部位特征学习。方法本文将“分离—共享”机制引入到步态识别的多部位特征学习过程中。分离机制允许每个部位学习自身独有的特征,主要通过区域池化和独立权重的全连接层进行实现。共享机制允许不同部位的特征进行交互,由特征归一化和特征重映射两部分组成。在共享机制中,特征归一化不包含任何参数,目的是使不同部位的特征具有相似的统计特性以便进行权值共享;特征重映射则是通过全连接层或逐项乘积进行实现,并且在不同部位之间共享权重。结果实验在步态识别领域应用最广泛的数据集CASIA-B(Institute of Automation,Chinese Academy of Sciences)和OUMVLP上进行,分别以GaitSet和GaitPart作为基线方法。实验结果表明,本文设计的模块能够带来稳定的性能提升。在CASIA-B背包条件下,本文提出的模块相对于GaitSet和GaitPart分别将rank-1的识别准确率提升了1.62%和1.17%。结论本文设计了一个新的模块用于增强步态识别的多部位特征学习过程,能够在不显著增加计算代价的条件下带来稳定的性能提升。

摘要：急性呼吸窘迫综合征(ARDS)诊断标准宽泛且临床医生对其认知度低,这些均易导致其开展早期临床诊疗决策的难度增加。在ARDS相关研究中,缺乏有效的临床药物试验成果,对ARDS严重程度的判定标准也争议不断。故此,迫切需要高效、准确的研究方法提高临床医生对ARDS的早期诊断及预后判断,辅助ARDS临床研究设计。大数据时代下,机器学习(ML)作为一种可整合海量数据的工具,近年来在协助临床医生开展ARDS早期诊疗决策、辅助临床试验设计上表现出色。利用ML构建的ARDS早期预测模型、机械通气时间预测模型和死亡风险预测模型,可优化ARDS患者的早期诊断及预后判断;分类模型中ARDS的两种亚型,为临床药物试验分组提供新思路;风险评估模型可作为论证工具参与临床试验研究。本文就ML对ARDS的最新研究进展进行综述。

摘要：步态识别技术是继人脸识别之后的又一具有实战应用价值的新型生物特征识别技术。技术层面,通过设计深度学习算法模型,步态识别技术提取的是视频中连续多帧的人体全身动态和静态特征,形成步态序列加以识别。步态识别适合远距离、大范围、跨角度监控场景下的目标识别追踪,相较于人脸识别,步态识别不受局部遮挡(如口罩、墨镜、围巾、帽子等)因素的影响,可以实现抗伪装识别。应用层面,步态识别技术可以利用已建前端摄像机,无需像人脸识别一样部署专门抓拍设备,因此能更广泛地激活海量视频数据,特别是在面向公共安全的场景需求中发挥重要的作用。通过搭建步态应用系统,实战化测试步态识别技术在特定区域中特定对象的轨迹刻画和快速检索效果,结果表明步态识别技术可以实现高效的目标检索,为公共安全领域的需求提供强有力的技术支撑。