摘要：心房颤动(房颤)是危及生命的心脏病之一,其早期检测和治疗近年来备受医生关注。传统的房颤检测方式主要依靠医生对心电图的诊断,但长时间的心电信号分析非常耗时。本文设计出一种基于Inception模块的房颤检测模型,构建多分支检测通道来处理房颤时的心电图原始信号、梯度信号和频率信号。该模型利用梯度信号高效地提取QRS波段和RR间期特征,利用频率信号提取P波与f波特征,并使用原始信号补充丢失信息。Inception模块中多尺度卷积核提供多种感受视野,并对多分支结果进行综合分析,从而实现房颤的早期检测。相较于目前的机器学习算法仅利用RR间期和心率变异性等特征,本文提出的算法额外使用频率特征,充分利用信号中的信息;对于使用原始信号和频率信息的深度学习方法,本文提出强化QRS波段的方法,使网络更有效地提取特征,并通过多分支输入模式综合考虑房颤RR间期不规律和P波与f波特征信息。在麻省理工房颤数据集上的检测结果显示,患者间检测的准确率为96.89%,灵敏度为97.72%,特异性为95.88%。该模型表现出色,能够实现房颤的自动检测。

摘要：针对蒙古族家具纹样采集过程中,受到环境、设备、人为干扰以及纹样自身风化等因素影响,产生对比度低、亮度异常、纹样模糊、色彩失真退化等情况,本文提出一种基于多尺度卷积MSRCR增强的算法。通过二次导向滤波、多通道多尺度卷积、线性加权融合、白平衡等步骤,对MSRCR算法进行改进。结果表明:该方法能有效提升纹样图像质量,改善纹样图像的对比度、亮度,在相关评价指标中也更优。

摘要：针对真实环境中由于复杂背景和物体遮挡、角度变换、行人姿态变化带来的行人重识别(person re-identification, person re-ID)问题,设计了基于通道注意力(efficient channel attention, ECA)机制和多尺度卷积(poly-scale convolution, PSConv)的行人重识别模型。首先利用残差网络提取全局特征,在网络末端加入基于ECA机制及PSConv的特征融合模块,将全局特征和该模块提取的全局特征进行融合,之后将新的全局特征进行分割得到局部特征,最后将新的全局特征和分割得到的局部特征融合得到最终特征,并计算损失函数。模型在Market1501和DukeMTMC-reID数据集上进行实验验证。在Market1501数据集中,Rank-1和平均精度均值分别达到94.3%和85.2%,在DukeMTMC-reID数据集中,上述两参数分别达到86.3%和75.4%。实验结果可知,该模型可应对实际环境中的复杂情况,增强行人特征的辨别力,有效提高行人重识别的准确率和精度。

摘要：说话人验证是一种有效的生物身份验证方法,说话人嵌入特征的质量在很大程度上影响着说话人验证系统的性能。最近,Transformer模型在自动语音识别领域展现出了巨大的潜力,但由于Transformer中传统的自注意力机制对局部特征的提取能力较弱,难以提取有效的说话人嵌入特征,因此Transformer模型在说话人验证领域的性能难以超越以往的基于卷积网络的模型。为了提高Transformer对局部特征的提取能力,文中提出了一种新的自注意力机制用于Transformer编码器,称为多尺度卷积自注意力编码器(Multi-scale Convolutional Self-Attention Encoder,MCAE)。利用不同尺度的卷积操作来提取多时间尺度信息,并通过融合时域和频域的特征,使模型获得更丰富的局部特征表示,这样的编码器设计对于说话人验证是更有效的。通过实验表明,在3个公开的测试集上,所提方法的综合性能表现更佳。与传统的Transformer编码器相比,MCAE也是更轻量级的,这更有利于模型的应用部署。

摘要：针对传统医疗机构绩效评估算法存在的主观性强、数据特征提取能力差的缺点,文中基于多尺度卷积神经网络提出一种绩效数据特征提取模型。该模型对传统卷积神经网络进行改进,使用空间化可提升效率的方法构建了胶囊网络,并使用多种尺寸不同的卷积核对数据进行训练,从而保证了特征提取的全面性。在数据训练过程中,使用熵权法对各参数指标进行权重确定,并用麻雀搜索算法进行模型参数优化。在实验测试中,参数优化后的模型预测准确率更高,在所有对比算法中,所提算法的MAE、MAPE、RMSE等误差指标最低,迭代次数也仅为7次,表明模型具有最优性能的同时训练速度也较快。

摘要：烟尘黑度是工业污染监测中的一项重要指标,针对用计算机图像识别技术在基于林格曼烟气黑度烟尘自动监测中如何将烟尘目标区域从背景中有效分割,以及工业烟尘具有形状不固定和云相似度高等特点,导致现有方法在复杂场景下分割烟尘的结果不准确,提出了一种改进全卷积网络模型.结合多尺度卷积操作,增强网络的特征提取能力;通过在交叉熵的基础上添加动态权重,增强对分类不准确点的训练,进一步提升分割的准确度.在实际工厂烟尘排放图像数据集上的实验结果表明,所提方法比原有模型在复杂场景下对烟尘的分割结果更准确,F1度量和交并比2项指标提升显著.

摘要：现有的多维时间序列(mutivariate time series, MTS)预测模型大多关注序列变量间的时空依赖关系,没有考虑MTS各变量上取值的典型变化趋势,即局部上下文模式(local context pattern, LCP)。为此设计一种基于因果卷积自注意力和图卷积网络的MTS预测模型,通过多通道多尺度因果卷积提取MTS各变量的多尺度LCP特征,采用多头自注意力机制捕获多尺度LCP间的时序依赖关系,由图卷积网络提取多尺度LCP时序特征之间的空间依赖关系。在4个公开MTS数据集上的结果表明了该预测方法预测性能的优越性。

摘要：光度立体视觉作为一种精细三维测量技术广泛应用于三维重构、缺陷检测、生物医疗等领域,但传统反射模型对材质真实物理特性的反映能力有限,对于如光亮金属等具有非线性光反射特性的非朗伯表面适应性不佳,极大地限制了该技术的进一步应用.本文提出了一种基于深度学习多尺度卷积架构的光度立体视觉算法,实现了对非透明材质表面在任意光照条件下的高精度法向量恢复.算法在深度网络中设计了多尺度卷积结构,小尺寸卷积核强化了模型在光度物理原理上的表达,使得模型在细节预测上具备优势,大尺寸卷积核鼓励深度网络利用邻域特征,提升模型克服阴影和区分多种材质的能力.为进一步处理任意光照条件的问题,算法设计了对入射光照向量空间的多分辨三维极坐标划分方法,在整合输入图像信息的同时,充分发挥了多尺度卷积的效能.实验结果表明,多尺度卷积深度学习架构有效集成了光度原理和深度学习二者的优势,在保留精细三维形貌恢复能力的同时,极大提高了针对非朗伯表面的适应性,为光度技术的广泛应用提供了有力的技术支持.

摘要：宫颈癌是目前唯一一种病因明确的妇科恶性肿瘤,通常采用宫颈细胞筛查来进行早期排查以及治疗。在细胞筛查过程中,为了发现早期的宫颈异常细胞,需要从显微细胞图像中准确分割出细胞核与细胞质。现有宫颈细胞分割方法存在计算量大、精确率低、数据不平衡所导致的学习困难等问题。为了提高宫颈细胞分割算法的性能,引入了多尺度卷积的思想,采用一种U型编码器-解码器模型,设计了一个端到端的细胞分割算法IR U⁃Net。主要包括:①利用多尺度卷积结构加宽网络,避免人工选择卷积核,能提取多尺度特征,同时在卷积结构中加入残差连接,来减少梯度消失等现象;②通过使用Leaky⁃ReLU减少“神经元死亡”导致的网络稀疏特征多、难以收敛的问题;③采用改进的损失函数Focal⁃Dice Loss以缓解数据不平衡的问题。仿真实验结果表明,改进后的模型相比对照算法在精度上有所提高,分割性能得到改善。

摘要：为了提高电力系统短期负荷预测的准确率,提出了一种基于深度学习技术的多尺度信息融合卷积神经网络(MS-ConvNet)模型.引入了全卷积网络结构和因果逻辑约束增强时间序列特征表达;利用多尺度卷积提取不同长度时域数据相互关系来获取更加丰富的序列特征;并设计残差网络结构增加网络深度,以增加输出神经元的接受域并提升预测精度.仿真结果表明,MS-ConvNet模型的准确率及稳定性优于多层感知机、长短期记忆网络及门控循环单元网络,说明该模型在电力负荷预测方面具有良好的应用前景.