关键词： 教学策略   学习方法   学生全面发展  

摘要： 随着全球化发展，英语作为国际通用语言受到越来越多的重视，英语学习也变得越来越重要。因此，有效的教学策略对于帮助学生掌握高效的英语学习方法具有重要意义。本文旨在探讨教师如何运用有效的教学策略，帮助学生掌握高效的英语学习方法，以促进学生全面发展。本文首先采用访谈的方法，分析英语学习策略的类型，包括调控策略、交际策略等；其次，在教学过程中，通过改善课堂教学环境，改变学生被动学习以及机械学习状态等，有效运用教学策略，促进学生全面发展。

关键词： 气体识别   图像   深度学习   增量学习  

摘要： 在机器嗅觉领域中,气体识别是其中一个重要研究方向,而气体识别的重点就是在保证效率的情况下对气体信息进行准确分类。尽管基于机器学习和深度学习的分类方法在气体识别领域已经取得了不错的效果,但是如何准确且快速对混合气体进行识别依然是一个具有挑战性的问题。由于深度学习的识别方法在图像识别领域展现出了相当大的潜力,因此本文将气体识别问题转换为图像识别问题,利用深度学习的强大学习能力来完成准确的气体识别任务。此外,考虑到一般深度学习模型在运用于气体分类时存在的灾难性遗忘及效率不高的问题,本文创造性地提出了基于监督对比回放(SCR)增量学习的气体识别方法。据此,本文的工作内容如下:(1)针对一些传统机器学习和深度学习在气体识别任务中准确率不高的问题,本文在使用马尔可夫转换场(MTF)方法将一维气体数据转换为MTF二维图像的基础上,结合当前在图像识别领域表现优异的38层深度卷积神经网络(DCNN)和残差网络(Res Net)用于气体识别。在气体数据集上的实验表明,这两种基于深度学习的气体识别方法的分类准确率分别达到93.21%、93.82%,这要明显高于传统机器学习和深度学习方法的准确率。(2)针对深度学习进行气体分类中存在的灾难性遗忘及效率不高的问题,本文引入SCR增量学习方法对混合气体进行分类,使用数据预处理方法将数据集数据转换为灰度图图像,通过增量学习网络对数据进行分类。通过实验结果表明,SCR气体识别方法对气体数据集中5类和10类混合气体的分类准确率分别达到95.27%和94.63%,并且其训练时间要明显短于一般的深度学习模型。(3)在室内自建实验场景,使用传感器阵列采集混合气体信息,基于上述算法的基础上对实际物理实验中所采集到的混合气体信息进行分类,通过对实验结果的分析,验证了上述算法的有效性和准确性。

关键词： 众包学习   知识迁移   真值推断   主动学习   元学习  

摘要： 众包提供了一种快速且低成本的解决方案,用于收集计算机视觉中训练数据的标签,是解决机器学习中标注数据的缺乏问题的一个可行途径。在众包模式下,需求方利用互联网众包平台发布数据标注任务,众包工作者选择适合自己的标注任务,完成这些任务后可以获得需求方支付的经济报酬。这样的标注模式突破了地域、时间、专业背景等种种限制,能够以较低的成本迅速集聚人群智慧提供丰富多样的标注信息。然而,众包模式固有的开放、动态、不确定、成本限制等特性导致了标注错误的广泛存在。因此,利用众包标注数据进行机器学习,是机遇与挑战并存。现有的众包图像标注还存在一些挑战:1)当众包工作者在一个不熟悉的领域执行标注任务时,由于缺乏专业知识,其标注质量将大幅下降;2)由于任务图像存在噪声,任务的难度可能有所不同,这只与图像本身的特征有关,并将影响工作者对图像类别的判断。3)由于缺乏对工作者和任务的全局了解,不合理且冗余地重复标记将造成超出预算和资源浪费等问题。 众所周知,从相关领域迁移知识可以为训练样本形成更好的表示,这有助于评估工作者在真值推断模型中的专业知识。本文借助元学习,综合考虑众包工作者的专业知识与任务特征之间的关系,任务真值与任务特征之间的关系,还有任务本身难度的影响,为它们建模。本文将探讨针对图像分类任务的众包学习过程中的真值推断和预测模型学习方法,本文的主要贡献如下: (1)本文提出了一种新的众包真值推断概率模型,该模型融合了小样本元学习和迁移学习。所提出的模型从源域迁移元知识,以形成目标域中实例的更好的高阶表示。同时利用高阶表示和实例特征,可以更好地建模和推断众包工作者的质量和实例的难度,最终提高真值推断的准确性。在多个数据集上的实验结果表明,所提出的模型不仅优于当前最先进的模型,而且显著减少了源域中所需的实例数量。 (2)本文还提出一个新的基于元学习的众包预测模型主动学习方法,该方法基于元学习和众包主动学习方法。该方法首先使用元学习来预训练一个分类器,并在对工作者和任务建模后,使用EM算法对参数进行估计。基于提出的概率模型,本文提出一种新的主动学习策略,在迭代过程中动态地选择不确定度最大的样本,并选择专业知识最匹配的工作者进行标注,合理分配众包资源,减少标注成本。在真实世界数据集上的实验表明,所提出的方法优于其他先进的众包主动学习方法,同时在较低的预算情况下实现了最高的质量。

关键词： 卫星重力梯度   粗差探测   K-Means均值聚类算法   卷积双向长短时记忆神经网络   潮汐因子  

摘要： 地球重力场是揭示地球内部结构及性质的重要工具。地球重力场模型是利用重力场多源观测数据构建的重力等位面,目前广泛使用的EGM2008全球重力场模型在构建时采用了陆地重力、卫星重力和卫星测高等多源数据,在我国大陆地区的整体精度约10 m Gal全球重力场模型同样采用多源数据。 随着空间技术的发展,特别是重力场和稳态海洋环流探测卫星(GOCE,gravity field and steady-state ocean circulation explorer)的加入,重力场的测定精度有了很大的提高。GOCE卫星的引力梯度测量涉及到多种技术,包括卫星定姿、星间链路测量、轨道计算等,重力观测由于垂直大地测量基准不同、经纬度位置错误、地球动力效应和重力仪漂移等因素,误差会受到影响,这些误差往往会随着距离的推移而累积。含有色噪声的重力梯度数据的预处理是GOCE卫星数据科学处理的重要环节,卫星重力梯度数据应使用适当的粗差探测和剔除进行预处理,以实现观测数据科学处理的可靠性。其主要目标是消除或压制错误数据对正常数据的影响。本文利用模拟数据设计实验,验证算法性能,试图丰富目前粗差探测的判断手段。 使用重力仪器测定的连续重力台站观测数据,仪器运行过程中的部件故障、地震信号和突然停电可能会导致异常信号(如尖峰、跳跃)或连续观测中的不连续性,从而偏离真实值。这些扰动可以影响潮汐和非潮汐结果。为了消除这些干扰,有必要对原始观测数据进行预处理,有效的预处理可以大大提高重力潮汐观测的稳定性。 因此,本文基于卫星重力观测数据和连续重力台站数据,采用K-Means均值聚类、长短时记忆(LSTM,Long Short-Term Memory)神经网络训练方法训练卫星重力数据粗差探测方法,验证机器学习算法应用的有效性和可靠性。提出基于卷积双向长短时记忆(CNN-Bi-LSTM,CNN-Bi-Directional Long Short-Term Memory)神经网络算法的连续重力台站观测数据异常值识别,并通过潮汐调和分析,分析潮汐因子的精度和特征。本文的研究内容包括: (1)提出了基于K-Means均值聚类的粗差探测方法,评估算法的有效性和可靠性。实验结果表明,K-Means均值聚类总体的粗差探测结果为88.17%,实现了对时间有较高要求的大规模数据集聚类。 (2)使用长短记忆神经网络对卫星重力数据进行粗差检测的方法和应用。网络模型经过训练后,引入评价指标来测试粗差检测方法的效率和准确性。尽管在数据网格上训练该方法很耗时,但将该模型应用于测试集只需要4.26秒,在收敛速度和精度方面具有明显的优势。 (3)卷积双向长短时间记忆神经网络用于处理连续重力站数据的异常值。将测试网络应用于实际连续重力数据,可以通过对处理后的数据进行潮汐调和分析,探讨影响潮汐校正精度的因素。理论模型和真实数据的验证表明,深度学习模型可以比传统的人工异常检测方法更准确、更有效地检测和预测异常情况,从而筛选出高质量的连续重力数据,获得高精度的潮汐因子。

关键词： 步态   抑郁症   睡眠   阻塞性睡眠呼吸暂停   联邦学习   对比学习  

摘要： 在经历漫长的与新冠抗争之后,人们逐渐恢复正常生活工作。但是新冠对人们身体以及精神的损害并没有随之根除,其中抑郁症以及以阻塞性睡眠呼吸暂停为代表的睡眠障碍等疾病的发病率逐渐提升,给人们的生命健康带来巨大威胁。随着计算机技术的发展,计算机辅助诊疗方式随之衍生,医疗人工智能(Artificial Intelligence,AI)模型利用大量医疗数据可以取得媲美人工的诊断效果。但是,当前的计算机辅助诊疗方法存在着一定的局限性。一方面,这些方法大多需要病人配合检测甚至会对病人产生刺激,数据真实可靠性大打折扣;另一方面,医疗数据往往分散且包含大量患者姓名、背景以及患病情况等重要隐私信息。假使这些数据丢失,可能会对医疗工作人员以及患者产生恶劣的影响;如果采用数据不出本地的保护措施,则会造成“数据孤岛”现象,对以数据为驱动的AI模型性能产生较大损失。研究表明,人的步态以及睡眠声音可以分别作为抑郁症以及阻塞性睡眠呼吸暂停检测的重要参考,且上述两种数据模态均具有难以伪装以及无需佩戴仪器采集等特点,可以无扰式收集。联邦学习方法,作为一种具有数据安全保护功能的分布式机器学习训练方法,已经成为目前工业界和学界的一个热点研究方向。本文设计基于3D骨架序列的步态数据以及基于声音的睡眠数据的收集和预处理方案,并使用联邦学习方法训练获取高质量医疗模型用于抑郁症以及阻塞性睡眠呼吸暂停检测,在保证模型精度的同时保护医疗数据的安全隐私性。对于联邦学习方法常面临的由各个参与方间数据呈非独立同分布造成的效率下降问题,本文使用对比学习方法对联邦学习方法进行优化以提升其效率。本文的主要研究内容包括:(1)本文提出基于3D骨架的步态数据以及基于声音的睡眠数据的收集以及预处理方法。该方法,可以对受试者无扰式地收集数据,既高效便捷,又提高数据的真实可靠性。针对步态数据,本文使用微软Kinect传感器收集包含3D骨架信息的原始数据,并使用坐标变换以及滤波方法进行预处理。针对睡眠数据,本文使用智能手机对人体睡眠时的声音进行采集,并使用数据分段与鼾声数据提取等方法进行数据预处理。(2)本文针对医疗模型训练中出现的数据孤岛现象以及数据安全问题,提出基于横向联邦学习方法的解决方案。使用联邦学习训练机制可以将医疗数据留存在本地服务器中进行模型训练,各方数据信息通过模型参数进行传输沟通,从而有效保护医疗数据的安全。同时,为形成对比,本文使用支持向量机算法、K近邻算法、决策树算法等机器学习算法以及长短时记忆网络模型、Sleep Det CNN模型等深度学习算法,分别用于抑郁症识别以及阻塞性睡眠呼吸暂停检测。实验结果显示,与在本地单独训练得到的模型相比,使用联邦学习训练得到的模型在保证数据安全的基础上,准确率提升达到6%-8%。(3)由于不同医疗机构之间如果数据分布特征差距较大,呈非独立同分布,在实际使用中会造成模型精度下降等性能问题,本文分析传统联邦学习在医疗场景中的使用场景以及工作流程,并针对上述问题本文使用一种基于对比学习的联邦学习方法用于步态与睡眠医疗场景中。该方法可以有效提升医疗模型效果,相对于Fed AVg联邦学习方法,实验结果表明抑郁症识别模型以及阻塞性睡眠呼吸暂停检测模型准确率提升4%-6%。综上所述,本文针对于抑郁症以及阻塞性睡眠呼吸暂停检测两种具体的医疗场景,提出可以有效保护数据安全隐私并保证模型性能的联邦学习方法。并使用对比学习方法对于分布式训练面临的模型聚合问题进行优化,进一步提升联邦学习模型的精度。本研究为分布式的特定医疗筛查问题提供新的思路。

关键词： 结直肠癌   机器学习   诊断试验   标志物   PLAGL2  

摘要： 研究背景:结直肠癌是世界上第三大恶性肿瘤。在我国结直肠癌总发病人数位列各癌中第二位。尽管目前对于结直肠癌的治疗技术有所提高,但结直肠癌患者的5年总体生存率仍不理想。结直肠癌诊断时分期越晚,患者的生存预后越差。但早期诊断的结直肠癌患者的5年总体生存率可以达到90%。因此,寻找用于早期诊断结直肠癌的生物标志物至关重要。近年来,随着生物信息学的发展和各大生物数据库的建立和完善,机器学习方法充分发挥了在处理大数据方面的优势,为疾病的早期诊断提供了新的思路和方法。本研究通过机器学习方法对结直肠癌的生物标志物进行了筛选与验证,为结直肠癌的基础研究和精准医学研究寻找到了新的思路。 研究方法:利用R语言对Gene Expression Omnibus(GEO)数据库的结直肠癌数据集进行差异表达基因分析;将上调的差异表达基因汇总为模拟训练样本,分别利用Least Absolute Shrinkage and Selection Operator(LASSO)回归以及Support Vector Machine Recursive Feature Elimination(SVM-RFE)法分析并建立诊断模型,选出两个模型中共有的基因作为标志物的候选因子;利用GEO数据库中的生存数据进行生存分析,挑选出与结直肠癌患者生存相关的生物标志物Pleiomorphic Adenoma Gene-like 2(PLAGL2);通过GEO数据库以及The Cancer Genome Atlas(TCGA)数据库中的结直肠癌的表达数据进行诊断试验评价PLAGL2对于结直肠癌的诊断能力以及对于结直肠腺瘤的鉴别诊断能力;收集2014年1月至2015年12月期间中南大学湘雅三医院的结直肠癌和癌旁组织蜡块进行切片并做PLAGL2的免疫组化实验,验证PLAGL2在组织中作为诊断因子的效能,并进一步验证PLAGL2的表达水平与结直肠癌患者总体生存之间的关系。 研究结果:(1)在结直肠癌组织中筛选出了66个共同上调的差异表达基因(FC值>1.2,P<0.05),并通过机器学习分析以及生存分析得出PLAGL2的表达可以作为潜在的结直肠癌的诊断及预后标志物。 (2)GEO数据库和TCGA数据库中结直肠癌和癌旁的数据的诊断试验分析验证了PLAGL2对于结直肠癌的诊断效能,PLAGL2的表达对于结直肠癌的诊断具有较高的灵敏度以及特异度。 (3)PLAGL2的表达可以用于对结直肠癌和结直肠腺瘤的鉴别诊断,并得出了鉴别诊断的最佳的截断值,可以用于区分结直肠癌和结直肠腺瘤。 (4)PLAGL2在结直肠癌细胞中的表达水平明显高于癌旁组织(P<0.05),PLAGL2的表达水平与淋巴结转移(P<0.05)和TNM分期(P<0.05)呈显著正相关。PLAGL2的高表达提示着结直肠癌患者的不良预后。 研究结论:(1)PLAGL2在结直肠癌中高表达,与结直肠癌的淋巴结转移以及TNM分期相关。 (2)PLAGL2的高表达提示着结直肠癌患者的不良预后。 (3)PLAGL2可作为结直肠癌潜在的诊断及预后标志物。 图14幅,表11个,参考文献58篇

关键词： 船舶运动极短期预报   深度学习方法   模型泛化性   统计特征标准化   水动力特征融合  

摘要： 船舶在风浪环境及操控作用下会不断产生摇荡运动,船舶运动极短期预报能够实时估计未来数秒的摇荡运动姿态,对船舶航行与作业安全具有重要意义。深度学习预报方法相比较于传统方法,在处理非线性船舶运动预报方面展现出更好的性能,是未来主要的发展趋势。但是,模型的预报性能完全依赖于对训练数据的特征提取,在实际应用过程中,模型的泛化性表现尤为重要。泛化性是指训练完成的模型对未知数据进行预测或分类的能力。船舶在实际航行过程中由于海况、航速、航向的,引起运动时历特征改变,若模型的泛化性较差则会导致模型预报效果产生较大波动,预报失效。针对该问题,本文通过分析深度学习方法泛化性影响因素,结合船舶运动时历特征开展泛化性优化方法研究,为其在船舶运动预报领域的实际应用提供理论算法基础。本文首先对波浪中船舶摇荡运动数值仿真方法开展研究,为预报模型训练与船舶运动时历特征分析提供数据基础。其次在验证深度学习方法预报性能的基础上,通过对比其在不同航速下的预报效果分析模型泛化性缺陷。之后分别从数据特征统一、多数据特征融合、水动力特性融合的角度出发研究模型泛化性优化方法,最后通过预报结果对比验证上述方法的优化效果。针对多工况下运动数据特征分布差异造成模型泛化性较差的问题,本文通过对数据偏度特征与统计特征影响进行分析,提出了一种基于频谱特征值的数据标准化方法,并利用标准化的数据开展深度学习模型训练与泛化能力验证。结果表明将多工况下运动数据的统计特征分布统一至特定范围内可以有效的优化预报模型泛化性能,但优化程度仍会受到原时历统计特征的影响。针对预报模型在训练过程中由于样本特征容量不足而导致泛化性表现较差的问题,本文通过分析样本长度与特征容量对模型预报效果的影响,在实现基于频谱分布的时历样本有效扩充的基础上,提出了一种多样本数据融合训练方法,使得深度学习模型可以在训练过程中提取多工况数据特征,有效的改善了模型在多工况下的预报能力,并且整体预报效果较为稳定,对混合工况均能保持较好的预报效果。针对数据融合训练过程中存在的关键特征提取不足的问题,本文通过分析船舶运动水动力特征表现,提出了一种基于TFT(Temporal Fusion Transformer)模型的时历特征与频谱特征融合的深度学习预报方法,通过为训练样本添加频谱特征标签,增强其在多输入数据下的特征提取能力,结果表明在预报时长较长时,该方法对预报模型在不同工况下预报效果的提升要明显优于数据融合方法。本文从船舶运动时历特征与水动力特征出发,探究了统计特征差异、样本特征容量与多特征融合对模型泛化性的影响,分别提出了统计特征标准化、多样本数据融合与频谱特征融合训练优化方法,通过分析优化后模型预报效果,结果表明:本文提出的三种方法均可以有效的提升深度学习模型泛化能力,其中基于频谱特征融合的方法预报效果稳定,优化效果最好,为深度学习模型在船舶运动极短期预报方面的实际应用提供了理论研究基础与关键解决方法。

关键词： 老年学员   生命意义感   学习动机   领悟社会支持  

摘要： 伴随国家工业化和现代化发展,人均收入不断提升的同时社会结构也在向着深度老龄化的趋势推进。随着我国经济状况的不断改善,老年人们的需求已不再止步于物质满足,而更多地追求个人精神满足及自我价值。在这样的社会环境下,我国的社会老龄观与老年大学发展方向发生了改变,从关注“健康养老”到“积极养老”。老年大学的定位也从教育资源供应者变成教育资源的共享者。在这个过程中老年人的幸福感广泛受到来自政府、社会及学术界的关注和重视,老年教育的目标也从教育向养老倾斜。如何通过老年教育满足老年人精神追求,进而使他们体验到更多幸福感成为“积极养老”的主题。因此研究讨论老年大学学员生命意义感、学习动机及领悟社会支持三者关系,为理解老年人参与学习与获取幸福感的关系有重要意义。本文在整理对生命意义感、学习动机及领悟社会支持的国内外相关文献及问卷调查研究的基础上,创新性地构建了老年大学学员在生命意义感、学习动机与领悟社会支持关系模型。本研究取样自上海S老年大学、上海市C区老年大学、上海市T路街道社区老年大学,以王孟成和戴晓阳等人修订的《中文生命意义感问卷》(C-MLQ)问卷、李立群编制的《成人学习动机量表》和姜乾金修订的《领悟社会支持量表》(PSSS)为施测工具,对回收的301份问卷进行统计分析,检验了各个量表的信效度。同时,相关分析和回归分析结果表明:第一,老年大学学员的生命意义感整体水平及其各维度与学习动机整体水平及各维度呈显著正相关;第二,其生命意义感整体水平及其各维度与领悟社会支持整体水平及各维度呈显著正相关;第三,其学习动机整体水平及其各维度与领悟社会支持整体水平及各维度呈显著正相关;第四,领悟社会支持在生命意义感对学习动机的影响关系中起到部分中介作用。此外,本文还通过方差分析探讨了主要变量的人口学差异影响。对此本研究,提出以下建议:第一,从改善生命意义感的角度出发,提高老年大学学员学习动机,辟如:开展生命教育,明确学习目标;拓展教学空间,提升学习体验。第二,从增强领悟社会支持的角度出发,提升老年大学学员学习动机,辟如:形成学习共同体,增进学员归属感;配置教学辅助人员,加强课堂支持;提升教学互动,强化学习动力。

关键词： 联邦学习   可穿戴设备   隐私保护   公平性  

摘要： 随着可穿戴设备的迅速发展与普及,社会各界对其数据隐私的关注也在不断增加。由于可穿戴设备与人体紧密接触,会收集许多个人极度隐私的数据,例如心率、血氧、定位等,通过联邦学习技术能够在保护用户隐私的同时共享数据蕴含的信息,大量研究人员针对可穿戴设备上的联邦学习提出了各种方法。然而可穿戴设备大多计算、传输能力有限,对于联邦学习技术提出了巨大的挑战。目前的解决方案普遍存在着各种问题,具体表现为公平性不足、通信和聚合效率低下、易泄露隐私、易用性差等。针对上述问题,本文从实际的角度出发,设计并提出了以下两种解决方案。第一,本文提出了基于公平通信方案的高效隐私学习方法FCFL,以解决可穿戴设备联邦学习面临的缺乏公平性、通信效率底下、收敛较慢等问题。目前的许多联邦学习方案都选择性地忽略了带宽较低的客户端设备以提高整体效率,然而此类有偏的客户端选择会带来误差。FCFL中的丢包参数恢复算法TRA能够让网络条件较差的客户端也能参与到联邦学习中,消除了上述方案的误差,同时保证了公平性。并且FCFL设计了移动感知联邦学习算法MAFL来挑选对全局模型收敛贡献最大的客户端,进一步提高联邦学习的收敛速度。实验结果验证了 FCFL的性能在公平性、收敛速度、个性化性能等方面都有明显提升,有效提高了联邦学习在可穿戴设备上的可用性。第二,本文提出了安全易用的隐私学习方法SUF-FCFL,扩展了 FCFL,能够解决可穿戴设备联邦学习上的隐私泄露、易用性不足问题。可穿戴设备收集的信息如心率、血氧等非常私密,需要更加完善的保护手段。本文延申了 FCFL的工作,结合差分隐私和安全聚合手段对于用户数据提供更加有力的保护。另一方面,现有的可穿戴设备应用程序普遍存在易用性较低的问题,本文实现了基于FCFL的可穿戴设备应用程序,并提供了其他方案缺失的自动识别和用户反馈等功能。最终本文实现了一个安全且易用的可穿戴设备联邦学习方案,并在多个数据集上验证了安全性和易用性的提升。

关键词： 卷积神经网络   活动轮廓模型   医学图像分割   U型网络  

摘要： 医学图像中感兴趣区域的准确勾画和分割,可以实现疾病的准确诊断和治疗,并为病理学研究提供支持。与自然图像不同的是,医学图像往往是高度复杂、灰度不均匀和模糊的,再加上图像采集的限制,用于训练模型的可用图像数量相对较少。因此在医学图像分割领域中提升感兴趣区域边界的精细化分割仍旧具有挑战性。活动轮廓模型可以有效且准确地分割目标边界,但此方法依赖于大量参数并且需要手动初始化轮廓,同时初始轮廓的位置对其分割准确性十分重要。然而在医学图像中,病变产生的区域是随机的,初始轮廓的位置也是不确定的。采用深度学习中卷积神经网络进行图像分割,可以克服活动轮廓模型需要依赖大量参数和初始轮廓位置固定的局限性。但是卷积和池化操作会导致特征信息的丢失,同时卷积神经网络对图像分割预测为像素级别,使其难以兼顾目标局部一致性和边缘光滑性。 针对以上问题,本文将活动轮廓模型和深度学习卷积神经网络的优势相结合,设计了一种提升医学图像感兴趣区域边界分割准确度的分割模型。主要研究内容如下: (1)提出了一种基于参数可学习的活动轮廓分割模型,该模型解决新冠肺炎图像病变区域尺寸大小多变、边界模糊、灰度不均匀的分割问题。全局凸活动轮廓模块根据卷积神经网络生成的概率图自动获取初始曲线和相应参数,同时为U型卷积神经网络推理过程提供更精细的目标边界预测。设计了一种空频池化操作替代传统网络下采样方式,这有助于为全局凸活动轮廓模块提供高质量和更平滑的初始轮廓,缩短模型的推理时间。同时采用深度可分离卷积残差模块和全局多尺度注意力模块构造轻量级的编码解码器,解决新冠肺炎图像数据集规模小、病变区域尺寸大小易变的问题。 (2)提出了一种基于活动轮廓约束的卷积网络分割模型,该模型实现了动态调整深度学习中神经网络的参数权重,解决大脑肿瘤图像中感兴趣区域边界分割精度低的问题。该模型提出了一种基于活动轮廓约束的损失函数,此损失函数可以考虑到目标的内外区域以及学习过程中的边界大小。将感兴趣区域的面积和尺寸信息集成到深度学习卷积神经网络中,打破深度学习像素级预测导致的信息丢失问题,获取更精确的分割效果。此外,还设计了一种边界引导的方向场模块,利用方向场引导网络学习感兴趣区域边界特征信息同时调节类别不平衡造成的精度损失问题。