摘要：卷积神经网络由于强大的特征提取能力在医学图像分割任务上取得一定进展,但仍需提升边缘分割的准确性.为此,文中提出基于边缘选择图推理的三路径网络,包括目标定位路径、边缘选择路径和细化路径.在目标定位路径中,设计多尺度特征融合模块,聚合高级特征,实现病变区域的定位.在边缘选择路径中,构造边缘选择图推理模块,用于低级特征的边缘筛选,并进行图推理,保证病变区域的边缘形状.在细化路径中,建立渐进式组级细化模块,逐步细化不同尺度特征的结构信息与细节信息.此外,引入融合加权Focal Tversky损失和加权交并比损失的复合损失,减轻类不平衡的影响.在公开数据集上的实验表明,文中方法性能较优.

摘要：目的:利用双支融合和结构采样,提取较充分的局部特征并保留不同尺度下的全局结构信息,使得在点云分类任务中获得高精度。方法:首先,提出双支融合模块,并用之提取不同角度的局部特征,再加入融合框架剔除重复的特征,突出显著特征,使得局部特征更具有辨别力。其次,设计了结构采样单元以关注不同尺度下的全局结构信息。该单元通过对每个采样点学习,以增强采样稳定性,并平滑结构信息,从而学习点云的全局结构信息。最后,利用包含局部-全局的特征进行分类,完成点云的分类任务。结果:在ModelNet40和ScanObjectNN基准数据集中分别获得93.6%和86.6%的分类精度。结论:基于双支融合与结构采样网络模型在点云分类任务中具有先进性。

摘要：基于深度学习的图像修复研究重点之一是色彩、边缘和纹理的生成,然而,已有研究对色彩、边缘和纹理生成方法还可优化.因此,文中提出三阶段生成网络,每个阶段分别侧重于对色彩、边缘和纹理的合成.具体而言,在HSV色彩生成阶段,可在HSV色彩域中重建图像的全局色彩,为修复过程提供色彩指导.在边缘优化阶段,设计边缘学习框架,可获取更准确的边缘信息.在纹理合成阶段,构建特征双向融合解码器,增强图像的纹理细节.上述三个阶段依次衔接,每个阶段均可提升图像修复性能.大量实验表明文中网络性能较优.

摘要：现阶段点云分类研究已被广泛应用于机器人操作、自主驾驶和虚拟现实等多个领域,提取既丰富又具有高判别能力的特征是3D点云分类的关键.为此,文中设计基于局部-非局部交互卷积的3D点云分类算法,改善点云的特征提取.首先,构造局部-非局部交互卷积模块,在获取局部相似特征和非局部相似特征的基础上,采用交互增强,缓解单个邻域在表示封闭区域时存在的冗余问题,增强网络的层次性和稳定性,同时也缓解网络的退化问题.然后,以该模块为基本单元构建卷积神经网络.最后,采用自适应特征融合,充分利用不同层次的特征,实现3D点云的分类.在ModelNet40、ScanObjectNN基准数据集上的实验表明,文中算法性能较优.

摘要：图神经网络在节点分类任务中表现较优,然而,如何充分获取图数据的高阶语义特征并防止过平滑现象,仍是影响节点分类准确性的关键问题之一.为此,文中构造双分支多交互的深度图卷积网络,用于增强节点获取高阶语义特征的能力.首先,根据节点的特征信息对图结构进行重构.然后,利用原始图结构和构造重构图结构,建立一个双分支的网络架构,充分提取不同的高阶语义特征.同时,设计一个通道信息交互机制,学习不同分支的信息交互,进一步增强节点特征的多样性.最后,在多个基准数据集上的实验表明,文中网络可有效提升半监督节点分类任务的精度,并缓解过平滑现象.

摘要：用构造性的方法证明对任何定义在多维欧氏空间紧集上的勒贝格可积函数以及它的导数可以用一个单隐层的神经网络同时逼近.这个方法自然地得到了网络的隐层设计和收敛速度的估计,所得到的结果描述了网络收敛速度与隐层神经元个数之间的关系,同时也推广了已有的关于一致度量下的稠密性结果.

摘要：深度学习由于强大的特征提取能力,在克服类不平衡问题上具有一定优势,但分割精度和效率仍需提升.针对此问题,文中提出基于三重交互关注网络的医学图像分割算法.设计三重交互关注模块,并嵌入特征提取过程,通过对特征的通道维度和空间维度联合关注,充分捕获跨维度交互信息,有效聚焦重要特征,突出目标位置.此外,采用像素位置感知损失,进一步缓解类不平衡影响的作用.在医学图像数据集上的实验表明文中算法性能较优.

摘要：目的:利用深度学习新技术图神经网络,构建结合信息保留的多头注意力图池化模型以解决图分类问题。方法:首先,设计信息保留模块,保留被丢弃节点中的有效信息。其次,采用多头注意力机制,多次计算中心节点与邻居节点的相关度,更加全面地学习节点重要性得分。之后,将池化图中的孤立点与邻居节点相连,以保证图结构的连通性。最后,利用读出操作将每一层输出传至分类器,完成图分类。结果:所提出的方法在7个基准数据集上进行图分类实验,在5个数据集上的分类性能优于其他方法。结论:结合信息保留的多头注意力图池化模型在图分类任务中具有优越性。

摘要：3D点云的不规则性与无序性使点云的分类仍具有挑战性.针对上述问题,文中设计基于残差边卷积的3D点云分类算法,可直接从点云学习到具有区分度的形状描述子,用于目标分类.首先,设计具有残差学习的边卷积模块,用于点云的特征提取.通过K近邻算法,该边卷积模块在输入点云上构建局部图,使用卷积及最大池化进行局部特征的提取与聚合.然后,通过多层感知器从原始点特征中提取全局特征,并以残差学习的方式与局部特征结合.最后,以该卷积块为基本单元,构建深度神经卷积网络,实现3D点云的分类.文中方法较全面地考虑点云局部特征与全局特征的有机结合,网络具有更深层次的结构,最终得到的形状描述子更抽象,具有更高的区分度.在具有挑战性的ModelNet40、ScanObjectNN数据集上的实验证实文中方法的分类性能较优.

摘要：为去除电磁阀阀芯加工后相交小孔处毛刺,以避免毛刺从母材脱落后在阀门内腔形成多余物,通过识别电磁阀阀芯毛刺出现位置及采用常规去毛刺方案的局限性后,提出使用挤压研磨技术方案进行阀芯相交小孔处毛刺去除,同时提出挤压研磨技术中的多余物防控方案,设计并进行正交试验得出有效去除阀芯相交孔处毛刺并避免二次产生的多余物的最优挤压研磨参数。阀芯零件加工后使用挤压研磨技术方案去除阀芯相交孔处毛刺,检查零件相交孔处具备无毛刺、无残留磨料、加工状态一致性好的优点,比常规方案去毛刺的效率提升60以上。挤压研磨技术工艺方案能够有效去除阀芯狭小内腔相交孔处加工后毛刺,并对类似零件的狭小内腔的相交小孔处毛刺去除提供了有效的借鉴方案。