摘要：基于热图检测的人体姿态估计网络取得了巨大的成功,然而由于冗余计算、量化误差以及热图解码的需求,基于热图检测的方法参数量较大。针对上述问题,设计基于非全局依赖积分回归的轻量姿态估计网络(Lite-NIRNet)。Lite-NIRNet通过局部卷积(PConv)降低网络的冗余计算,从而使网络更加轻量。为缓解PConv导致的信息丢失问题,引入坐标注意力(CA)机制融合跨通道特征,以提升网络性能。此外,设计非全局依赖的积分回归(NIR)模块,通过该模块,网络可以融入坐标进行监督,从而减少量化误差对网络性能的影响。所提的NIR可有效降低传统积分回归在期望计算时产生的偏差,从而兼顾更好的学习梯度和更低的偏差。实验结果表明,Lite-NIRNet与较先进的高分辨率网络(HRNet)相比,在COCO验证集上的参数量和计算量分别降低了73.0%和63.4%,平均精度均值(mAP)不需要额外的热图解码即可达到72.8%;在MPII验证集上,Lite-NIRNet在网络性能和复杂度之间也能实现良好的平衡。

摘要：岩爆是地下深部工程中一种破坏性极强的地质灾害,为准确预测岩爆烈度等级,提出了一种基于平行融合图Transformer(parallel fusion graph Transformer,PFGT)的岩爆烈度等级预测方法。首先,该方法利用岩爆数据在欧氏空间中的相似性结构关系构建图结构数据,并通过多重岩爆判据来约束岩爆数据在欧式空间中结构的畸变构建另一种图结构数据,通过平行训练获得岩爆数据的单尺度特征。其次,该方法设计了一种特征融合图Transformer策略,通过融合基于欧式空间和基于岩爆判据的两种图结构数据特征,获得岩爆数据的多尺度特征。该方法能够同时利用单尺度特征和多尺度特征,增强了数据表示能力,在训练过程中使用Transformer进行特征融合使得模型能够更全面地捕捉岩爆数据的优化特征,提升模型性能。通过与传统神经网络和其他机器学习算法相比,PFGT模型的预测准确率为94.87%,优于其他算法,证明了该算法的有效性,为岩爆等级预测提供了一种新的方法。

摘要：针对原始蜣螂算法(dung beetle optimizer,DBO)易受自身影响,导致局部搜索和全局搜索不平衡,容易陷入局部最优的问题,提出一种结合组织膜的自适应t分布蜣螂算法(adaptive t-distribution DBO with tissue-like membrane,MC-TDBO)。设计自适应惯性因子改变繁育蜣螂和小偷蜣螂的步长,动态调节蜣螂个体的探索幅度,协调并优化算法的全局搜索和局部开发能力;引入鲸鱼算法改进觅食行为,促使种群向最优位置靠近,提高算法的计算精度;结合成功率和自适应t分布,提升算法跳出局部最优的能力;引入组织P系统与改进后的DBO算法结合,增强算法收敛效率。采用14个基准函数进行仿真测试,实验结果表明,MC-TDBO算法和原始DBO算法等四种算法相比,寻优速度、求解精度和稳定性均得到了显著提升。将MC-TDBO算法在阈值分割中进行应用测试,进一步验证其有效性。

摘要：开放世界目标检测(open world object detection,OWOD)是一个计算机视觉挑战,聚焦于现实世界环境,其不仅要检测出标记出的已知物体,还需要能处理训练过程中被忽视的未知物体。针对已知和未知物体的检测混淆、密集未知目标和小目标遗漏等问题,提出了一种新的基于偏移过滤和未知特征强化的开放世界目标检测器(offset filter and unknown-feature reinforcement for open world object detection,OFUR-OWOD)。首先设计一个未知类特征强化(unknown class feature reinforcement,UCFR)模块,通过自适应未知对象得分的方法来强化未知类目标特征,进而提高模型对未知类对象的训练准确度。然后,将重叠框偏移过滤器(overlapping box offset filter,OBOF)应用于目标预测框,根据目标位置和大小,获得不同偏移得分,以过滤冗余未知框。通过丰富实验证明,该方法在COCO-OOD和COCO-Mix上优于现有一些最先进的方法。

摘要：在大数据和物联网应用中,本地差分隐私(LDP)技术用于保护聚类分析中的用户隐私,但现有方法要么在LDP下交互式地进行聚类,需要消耗大量隐私预算,要么没有同时考虑到聚类数据中蕴含的表示数据质量的高斯噪音以及为满足LDP保护的拉普拉斯噪音,致使聚类精度低下。同时,对于衡量用户提交数据和簇心之间的距离选择较为武断,没有充分利用到用户提交的噪音数据中蕴含的噪音模式。为此,该文创新性地提出一种满足LDP的混合噪音感知的模糊C均值聚类算法(mnFCM),该算法的主要思想是同时建模用户上传数据中蕴含的表示用户质量的高斯噪音以及为保护用户数据注入的拉普拉斯噪音,进而设计出混合噪音感知的距离替代传统的欧式距离,来衡量样本数据与簇心间的相似性。特别地,在mnFCM中,该文首先设计了混合噪音感知的距离计算方法,在此基础上给出算法新的目标函数,并基于拉格朗日乘子法设计了求解方法,最后理论上分析了求解算法的收敛性。该文进一步理论分析了mnFCM的隐私、效用和复杂度,分析结果表明所提算法严格满足LDP、相对于对比算法更接近非隐私下的簇心以及和非隐私算法具有接近的复杂度。在两个真实数据集上的实验结果表明,mnFCM在满足LDP下,聚类精度提高了10%~15%。

摘要：图像的艺术风格迁移旨在维持图像内容特征不变的前提下,将其风格特征转变为另一张图像所具有的风格特征.然而,当前的风格迁移方法在网络处理中采用都是像素级的卷积,往往存在内容信息和风格信息的普遍丢失问题,导致生成的风格化图片泄露原有的内容.为解决这一问题,提出了一种新的残差对抗网络模型,名为RLGAN(Residually Generative Network).模型采用了多层残差链接的结构,将网络前面的内容信息与深层特征相链接,有效应对信息损失的问题.RLGAN在传输风格信息的同时,巧妙地保护了图像的内容纹理结构,能够对一张给定的内容图和另一张风格图生成内容保真的风格化结果.在模型训练过程中,引入了判别器和全新设计的损失函数,优化解码器参数的更新,从而提高模型性能.RLGAN模型能够生成既具有原始内容图的纹理结构,又具备艺术风格的图像.这一创新性的方法旨在克服传统风格迁移中常见的信息损失问题,提供更加真实和富有艺术感的图像生成.

摘要：为解决现有的事件抽取方法在实体抽取子任务中难以充分利用上下文信息,导致事件抽取精度较低的问题,提出了基于跨度和图卷积网络的篇章级事件抽取(document-level event extraction based on span and graph convolutional network, DEESG)模型。首先,设计中间线性层对编码的向量进行线性处理,并结合标注信息计算最佳跨度,通过提升对跨度开始位置和结束位置判断的准确度来提高实体抽取的精度;接着,提出异构图的构建方法,使用池化策略将实体与句子表示为图的节点,根据提出的建边规则构建异构图,以此建立全局信息的交互,并利用多层图卷积网络(graph convolutional network, GCN)对异构图进行卷积,获得具有上下文信息的实体表示和句子表示,以此解决上下文信息利用不充分的问题;然后,利用多头注意力机制进行事件类型的检测;最后,为组合中的实体分配论元角色,完成事件抽取任务。在中文金融公告(Chinese financial announcements, ChFinAnn)数据集上进行实验。结果表明,与拥有追踪器的异构图交互模型(graph-based interaction model with a tracker, GIT)相比,DEESG模型的F1分数提升了1.3个百分点。该研究证实DEESG模型能有效应用于篇章级事件抽取领域。

摘要：针对目前胸部X光图像分类方法存在X光特异性特征表达不充分、高频图像特征提取效果差、疾病样本数量不平衡等问题,提出一种基于改进ResNet的多标签胸部X光图像分类方法(multi-label chest X-ray image classification based on improved ResNet, MLC-ResNet)。首先,设计一个多尺度特征提取和融合模块,以获取更丰富的特征信息;其次,将八度卷积替换为残差结构中的普通卷积,解决X光特异性特征表达不充分问题;再次,为改善高频特征提取效果,在ResNet中引入改进后的多层感知器(multilayer perception, MLP),更好地揭示图像的细节和整体结构,增加分类性能;最后,使用加权交叉熵损失函数增加样本数较少的类别权重,改善样本分布不平衡问题。在ChestX-Ray14和CheXpert数据集上进行实验测试,其平均AUC分别是0.858 7和0.844 7,相较于ResNet分类算法分别提高了4.47%和3.20%。通过与现有方法的对比实验,进一步证明MLC-ResNet模型具有更好的性能。

摘要：针对腹部多器官图像分割过程中小器官图像分割精度较低和边界分割不准确的问题,提出了基于变换器U形网络(Transformer U-shaped network, TransUNet)的融合分割TransUNet(segmentation fusion TransUNet, SF-TransUNet)改进模型,以增强小器官图像分割精度。在TransUNet跳跃连接中加入用于增强纹理信息的改进位置注意力模块(position attention module, PAM),并在解码器中引入混洗注意力(shuffle attention, SA)模块融合高低层特征,提高小器官图像细节捕捉能力,设计连通域分析(connected component analysis, CCA)模块作为后处理步骤,有效提升边缘分割能力。在Synapse数据集上验证SF-TransUNet模型性能,结果显示其平均戴斯相似系数(Dice similarity coefficient, DSC)比TransUNet模型提升了2.69个百分点,95%豪斯多夫距离(95%Hausdorff distance, HD95)下降了17.26 mm;在小器官图像分割上,胆囊、右肾和胰腺的分割精度分别提高了9.22、4.76、4.49个百分点。结果表明,SF-TransUNet模型不仅明显提升了腹部多器官图像分割的总体精度,而且在小器官图像分割中能表现出更佳的特征表达与细节保留能力。

摘要：针对无人机航拍图像中存在缺陷目标较小且背景复杂问题,提出了一种基于YOLOv8模型的绝缘子缺陷检测的算法CSSD_YOLOv8。首先使用SAConv代替Conv,设计全新的SA_C2f模块代替部分C2f,提高模型对多尺度目标的特征提取能力;其次,引入SPPF_LSKA模块,丰富多尺度特征表达;另外,设计一种DWR_Detect检测头替换原Detect结构,有效地降低小目标的漏检率;同时为优化小目标检测效果,添加小目标检测层,增强深层语义信息与浅层语义信息的结合。实验结果表明,改进后的绝缘子缺陷检测网络精度为92.1%,召回率为90.2%,mAP为93.8%,较原YOLOv8网络分别提高了0.7,3.9,3.1个百分点,提高了模型的检测效果,证明了该改进算法的有效性。