摘要：在通过深度学习模型进行抑郁症类脑电信号分析时,针对单一尺度的卷积存在特征提取不充分的问题和卷积神经网络在感知脑电信号全局依赖性方面的局限性,分别设计了多尺度动态卷积网络模块和门控Transformer编码器模块,并与时间卷积网络相结合,提出了混合网络模型(MGTTCNet)进行抑郁症患者和健康对照组的脑电信号分类。该模型首先通过多尺度动态卷积从空间域和频率域捕捉脑电信号的多尺度时频信息。其次通过门控Transformer编码器学习脑电信号中的全局依赖关系,其利用多头注意力机制有效增强网络表达相关脑电信号特征的能力。之后利用时间卷积网络提取脑电信号可用的时间特征,最后将提取的抽象特征输入到分类模块进行分类。在公开数据集MODMA上用留出法和十折交叉验证法对提出模型进行实验验证,分别取得了约98.51%和98.53%的分类准确率,相较于基线单尺度模型EEGNet,分类准确率分别提升了约1.89%和1.93%,F1值分别提升了约2.05%和2.08%,kappa系数值分别提高了约0.038 1和0.038 5;同时消融实验验证了文中设计的各个模块的有效性。

摘要：针对SIFT特征点匹配错误问题,提出一种置信传播与特征点形状特征相结合去除SIFT特征点匹配错误的算法.该算法分为4步:1)根据每个特征点的尺度信息、主方向信息以及匹配邻居特征点信息确定每个特征点邻域窗口的大小和方向,并计算每个特征点在邻域窗口内匹配邻居构成的形状特征;2)连接每个特征点与其最近的3个邻居特征点,构成置信传播网的基本框架;3)利用每对待确定特征点对的特征描述符之间的距离与其形状特征之间的距离生成置信传播网的证据函数,利用每对待确定特征点对与其邻居之间的空间关系生成置信传播网的相容函数;4)迭代计算每个特征点的置信度以及传递给邻居的消息,直至整个网络收敛,并通过最后得到的置信度确定初始匹配特征点对是否为误配.利用真实拍摄的图像和牛津几何视觉组数据库中的图像进行仿真实验,并与RANSAC算法、GTM算法以及BP_SIFT算法进行了比较,仿真结果表明,在召回率、准确率、丢失率和效率上,文中算法总体上优于上述3种算法.