关键词： 贝叶斯网络   结构学习   蜻蜓优化算法   不完备数据集   期望最大化  

摘要： 贝叶斯网络可以有效地表示知识的不确实性,同时可以进行高效地概率推理,它被广泛应用于数据挖掘、目标检测、故障诊断、文本分类等领域。数据集被认为是从某一个特定的联合概率分布中生成而来,运用贝叶斯网络可以高效地表示联合概率分布。使用贝叶斯网络进行概率推理,首要任务就是从数据中学习出一个优秀的贝叶斯网络结构。优秀的贝叶斯网络结构可以更好地拟合数据,使得模型更加接近真实的联合概率分布。然而贝叶斯网络结构学习问题是NP难的问题,所以,寻找能高效地从数据中学出贝叶斯网络结构的算法一直是贝叶斯网络的热门研究方向。贝叶斯网络结构学习的经典算法有K2算法、BNPC算法、MWST算法、马尔科夫链蒙特卡洛方法等。近年来,研究人员成功地把群智能优化算法运用在贝叶斯网络结构学习之上并且取得了良好的效果。本文根据蜻蜓优化算法的特点,提出了一种算法IBDA,并且把其运用到贝叶斯网络结构学习当中。同时为了解决不完备数据下的贝叶斯网络结构学习问题,本文提出了一种算法EIBDA,并且把其运用到不完备数据的贝叶斯网络结构学习中。本文的工作有:提出了一种改进的二进制蜻蜓优化算法(Improved Binary Dragonfly Algorithm)并且运用它学习贝叶斯网络结构。(1)对蜻蜓优化算法惯性权重改变方式做出了改进,对蜻蜓优化算法被食物吸引的行为和远离敌人的行为做出了改进,并且提出了高效的二进制转换函数,使得算法在寻优过程中可以更好平衡探索和利用。(2)使用改进的蜻蜓优化算法进行贝叶斯网络结构学习。贝叶斯网络可以使用邻接矩阵来表示,每个贝叶斯网络对应一只蜻蜓个体。使用BIC准则作为评分函数。使用随机化算法随机生成初始种群,然后运用改进的蜻蜓优化算法作为搜索算法,在搜索的过程中,使用深度优先算法破除环路,增加种群的多样性,在搜索的过程中,使用K2算法作局部搜索,使得算法加快收敛。算法第一阶段的输出为贝叶斯网络拓扑结构G1。引入增边,减边,反转边算子,从G1开始继续寻优,利用三个算子,尝试得到评分更高的贝叶斯网络拓扑结构G2。(3)在经典的贝叶斯网络数据集Asia、Alarm、Child、Sachs数据集上做实验,和GS算法、BNPC算法、MCMC算法做对比,实验结果表明本文算法可以找到评分更高的贝叶斯网络拓扑结构。(4)为了解决在不完备数据集上的贝叶斯网络结构学习问题,借鉴了SEM算法的思想,结合了IBDA算法的强大的寻优功能,本文提出了一种可以在不完备数据集上进行贝叶斯网络结构学习的算法EIBDA。EIBDA通过EM子过程和IBDA模型搜索子过程相互迭代进行,通过EM子过程优化参数,然后使用联合树推理算法补全缺失记录形成完备数据集,使用IBDA算法在完备数据集上进行模型寻优,如果当前轮次寻找的结构比上一轮的结构BIC评分高,则替代之,否则输出当前找到的最优结构。在数据集Asia、Sachs上的仿真实验表明,EIBDA算法的精度比MWST-EM、SEM要高,学出来的网络的BIC评分更高。

关键词： 高中   数学   学习方法  

摘要： 随着社会的飞速发展，我国对人才数量的需求也逐年增加。高中教育对于人才的培养来讲至关重要，高中数学作为学生学习的重要组成部分，能够提升学生逻辑思维和分析能力，增加数学理论与数学知识的记忆理解，为以后的学习和研究打下基础。高中数学教学要有质量有效率，数学学习也要有方法有策略。文章从高中数学课堂入手，分析高中数学教学过程中存在的问题与难点，探究如何帮助学生找到高中数学学习方法，有效提升数学成绩。

关键词： 遥感滑坡识别   深度学习   滑坡数据集   轻量化模型   旋转目标检测  

摘要： 滑坡作为一种严重的地质灾害,对人民群众的生命财产安全造成了重大损失。我国组织了大量的滑坡隐患排查工作,但仍有较多偏远地区的滑坡隐患不能及时排查确认,基于遥感的滑坡识别技术得到了广泛应用。随着深度学习技术发展,已有相关工作将深度学习技术引入遥感滑坡识别领域,并取得了阶段性成果。但基于深度学习的遥感滑坡识别技术仍面临如数据集缺乏、识别精度低、识别速度慢、模型庞大等亟需解决的难题。 针对遥感滑坡识别深度学习方法面临的实际问题,本文制作了大型深度学习滑坡数据集ER-ORSLD,提出了基于YOLOv5的遥感滑坡识别轻量化模型gsThb-YOLOv5,并进一步将其拓展到遥感影像旋转目标快速检测领域,开展的主要工作总结如下: (1)针对目前缺乏适用于深度学习的大型遥感滑坡数据集问题,本文基于高分遥感卫星拍摄的2017-2020年四川境内8万平方千米开放遥感影像数据,制作了适用于深度学习的大型通用遥感滑坡数据集——四川强震区光学遥感滑坡数据集(ER-ORSLD)。ER-ORSLD数据集共包含2000*2000像素的RGB三通道遥感影像5153张,滑坡体18810个,其采用MS COCO数据集格式标注了数据集中滑坡体的最小外接矩形框边界和掩膜边界。最后对数据集进行了全面的统计分析和可视化分析,验证了其有效性和通用性。 (2)针对遥感滑坡识别的深度学习方法精度低问题,在YOLOv5原有结构上,构建多头检测机制适应滑坡体尺度变化大的特点,并引入BiFPN算法优化模型特征融合过程,将浅层特征引入深层网络,解决深层网络特征退化问题,进一步引入自注意力机制Swin Transformer结构到深层网络,提升模型的全局特征感受能力。在ER-ORSLD数据集上基于“子图预测,原图计算”方法完成训练测试,相比原始YOLOv5模型,AP0.5增加7.14%,AP0.5:0.95增加5.73%。 (3)针对遥感滑坡识别的深度学习模型庞大、计算量大、识别速度慢等问题,本文进一步建立了一种遥感滑坡识别轻量化深度学习模型gsThb-YOLOv5。通过引入计算量更少的Ghost卷积替换模型中的常规卷积运算,减少模型中的非线性计算过程,减小模型的浮点运算和参数量,提高滑坡识别速度。在ER-ORSLD数据集上测试gsThb-YOLOv5模型,相比YOLOv5模型,AP0.5增加6.76%,AP0.5.0.95增加5.2%,浮点运算减少65.96%,推理时间减少10.34%,验证了改进后模型的识别精度和轻量化特性。 (4)进一步将gsThb-YOLOv5拓展到遥感影像目标检测领域,建立遥感影像旋转目标检测模型os-YOLOv5。基于长边表示法定义目标框旋转角度,解决旋转框的边交换问题,基于环形平滑标签算法,将角度回归损失转化为角度分类损失,解决旋转框的角度周期性问题。在原有损失函数Losshbb基础上,引入目标框旋转角度损失angloss,构建新的旋转目标损失函数Lossobb。在DOTA数据集上测试,其中AP0.5达到60.4%,AP0.5:0.95达到36.7%,验证了模型的识别准确性和泛化性能。

关键词： 深度Ritz方法   深度学习   非线性椭圆型方程多解   面向对象  

摘要： 在纯数学以及数学与其他学科中的交叉学科中都涉及到了很多非线性椭圆型方程,这种方程的研究受到了广泛关注,其研究无论在理论上还是实际应用中都有着重要意义.本文主要目的是求出非线性椭圆型方程问题的多个解.就我们所知,目前关于关于椭圆型方程多解问题的研究都是利用传统的数值算法,并且大多数工作是关于二维微分方程的.关于微分方程的深度学习方法的研究越来越多,具有处理高维微分方程的潜力.非线性椭圆型方程多解问题是相应泛函的临界点,包括局部极小值点,深度学习算法在训练时常常会陷入损失函数的局部极小值点.基于以上考虑,本文借鉴深度Ritz方法(Deep Ritz Method)的思想来求解非线性椭圆型方程多解问题,探索深度学习方法求解高维多解问题的可行性.在实际操作中,算法实现的难点在于:(1)构建的神经网络框架是带残差连接的,增加了网络的复杂程度,在实现反向传播算法时增加了难度.(2)偏导数ux(x;w,b)关于参数w,b的梯度实现比较困难,在实现反向传播算法时涉及到了u(x;w,b)和ux(x;w,b)两部分网络计算.本文利用计算图构建了 u(x;w,b)和ux(x;w,b)的神经网络框架,由此得到损失函数的计算框架,并采用面向对象的思想编写求近似解u(x;w,b)及其偏导数ux(x;w,b)关于参数w,b的梯度的底层代码.代码包括两部分主要内容:(1)封装:我们建立了一个Node基类,这一部分封装了数据和数据运算,包含由几个主要的成员函数:forward函数用于计算损失值,backward用于计算损失函数关于w,b的梯度,reset jacobi和reset value函数分别用于重置节点处的Jacobi矩阵和函数值,get children和get parents函数分别获取当前节点的子节点和父节点.(2)继承:Varible类这一部分实现权重初始化;数学函数类用于计算当前节点的损失函数值和其对邻近父节点的Jacobi矩阵;RitzNet类用来建立节点之间的运算关系;Optimizer类进行参数w,b更新.本文最后分别对二维,四维,六维,八维,十维的线性椭圆型方程例子进行数值实验,以验证程序的正确性,同时还求出了二维非线性椭圆型方程的多解,以表明该方法用于椭圆型方程多解的可行性和用于高维椭圆型方程多解问题的潜力.

关键词： 机器学习   随机森林   XGBoost   慢性肺部疾患  

摘要： 目的:本研究根据CHARLS2015年中国健康与养老追踪调查数据库,利用机器学习的方法对变量进行筛选,对所筛选出变量进一步用Logistic回归模型进行变量解释,以探求中老年人慢性肺部疾患(Chronic lung diseases)的相关因素,并进行分析解释,为该疾患患者的防治提供科学依据。方法:1.本研究将CHARLS2015年中国健康与养老追踪调查数据库的血检数据、人体测量、健康状况和功能等七个文件进行合并,根据对患者提问是否有医生告知其患有慢性肺部疾患为依据,将人群分为患病组和未患病组,经过删除缺失值在10%以上的观察单位,并对变量进行性相关性分析后,将相关系数>0.8的变量择一保留。2.本研究采用有监督的学习方法卡方分箱法对定量资料进行了分组处理,该方法可以使定量变量进行合理的分组。其原理是通过组间差异大、组内差异小的原则进行合并,并根据不同的分组数量对变量重要性(IV值)的影响,来确定最佳分箱方案。3.本研究按照4:1的比例将数据划分为训练集和测试集,并对训练集进行降采样处理,以达到样本的平衡,更适合建立模型。4.通过随机森林和XGBoost两种机器学习模型分别对训练集数据进行建模调参,根据特征重要性评分排名,结合向前变量选择法依次带入,以AUC面积作为评价指标对两个模型在训练集和测试集中的表现进行比较,并选择拟合效果较好的模型所筛选出来的变量,进一步用Logistic回归模型对较好机器学习模型所筛选出的变量进行进一步解释说明。结果:1.经过4:1的比例划分训练集与测试集后,训练集共有观察单位10195人,患病率为10.37%,测试集共有观察单位2549人,患病率为9.81%。2.经过降采样,对训练集数据进行处理后,使训练集中患者和非患者的数据达到平衡,得到训练集中的样本数量为2114人,其中患者:非患者为1:1。3.经过随机森林和XGBoost两种机器学习模型的建模并进行调参,以AUC面积作为评价标准发现,随着向前带入变量的数量逐渐增加,在评分指标到达平台期时,随机森林模型的评价指标要优于XGBoost模型。在两个模型均带入变量为90个时,随机森林模型在测试集中的AUC面积为0.745,灵敏度为0.752,特异度为0.738,优于XGBoost模型在测试集的评价指标,AUC面积为0.704,灵敏度为0.732,特异度为0.676。因此选择随机森林模型所筛选出来的变量进行Logistic分析。***回归分析结果:血检数据中血小板水平升高、低密度脂蛋白胆固醇与平均红血球容积的水平在中等水平时为疾患的保护性因素,OR值分别为0.705、0.643、0.543,C-反应蛋白水平升高、白细胞水平升高为疾患的危险性因素,OR值分别为1.86、1.632;在体测数据中呼气峰流速越高、身体质量指数水平越高为疾患的保护性因素,OR值分别为0.332、0.604,连续起坐时间越长为疾患的危险性因素,OR值为1.371;在健康状况与功能中患有哮喘、关节炎和风湿病、胃部疾病或消化系统疾病、心脏病、慢跑一公里有困难、为身体感到苦恼、对自身健康不满意程度、感到恐惧为疾患的危险性因素,OR值分别为14.067、2.158、1.905、1.532、1.570、1.348、3.345、2.222;家中现金越多为疾患的保护性因素,OR值为0.646,男性、上次去医院的目的是看病、参加新农保时疾患的危险性因素,OR值分别为1.641、1.482、1.288。结论:1.在分析大样本数据,变量数量过多的大型调查数据时,如果使用传统的Logistic回归模型进行分析的话,往往会导致模型系数不稳定,且耗时长,效率低。因此,先使用随机森林模型选变量,提高模型的效率,再利用Logistic回归模型对筛选后的变量进一步分析,可提高模型的解释性。2.本研究发现慢性肺部疾患与多方面因素存在不同程度的联系。其中合并其他疾病,如哮喘,关节炎或类风湿性疾病,胃部疾病或消化系统疾病,以及心理状态影响较大。因此,在疾病的治疗过程中,应全面的对患者多方面情况予以关注,多措并举,从而提高治疗效果,以及患者的生活质量。

关键词： 深度学习   肺叶分割   肺结节检测   辅助诊断   假阳性处理  

摘要： 肺部疾病作为发病率最高的疾病之一,一直影响着众多患者的健康与幸福。由于大部分肺部疾病在早期难以发现,且最初一般以肺结节的形式表现出来。而计算机断层扫描(Computed Tomography,CT)是临床中无创检查肺结节的首选方式。若能在日常CT影像体检筛查中,将病灶尽早检测出,并给出一定的辅助诊断,及早的有效治疗可以大大降低肺部疾病的致死率。因此设计开发一种有效的肺结节检测及降假阳性方法并给出一定的辅助诊断,有助于医生制定合理的诊疗方案,这将是一项具有理论研究价值和临床应用价值的工作。所以,本文开展基于深度学习方法在CT图像中的肺叶分割和肺结节检测,以及病灶结构辅助诊断与肺功能定量分析的应用研究。本文主要有三部分研究内容,第一部分是针对CT图像中的肺组织分割研究,这包括肺部实质分割、肺叶分割、肺血管分割和基于轮廓的凸多边形超像素肺组织分割;第二部分是深度学习方法在CT图像中的肺结节检测研究,包括肺结节检测和降低假阳性的策略;第三部分是病灶结构辅助诊断与肺功能定量分析研究。在肺实质分割和肺叶分割中,本文提出了基于异质模型的深度互学习分割方法,训练3D U-Net和V-Net模型作为两个异构模型,通过这两个模型输出结果的KL散度值进行互相约束,实现模型之间的相互监督,并进行不断迭代,从而达到提升网络训练稳定度和模型效能的作用。对于正常CT的肺实质分割结果表明,其DSC(Dice Similarity Coefficient)指标在98.08%,肺叶分割的DSC值也能高达90%以上,这相比于传统的方法有着显著的提升。训练时加入包括COPD、肺部纤维化、新冠肺炎等其他病理的肺部CT图像进行训练,该方法能够适应多病理下数据,具有较强的鲁棒性和模型分割效果。在肺组织超像素分割研究中,提出了一种基于轮廓的凸多边形超像素分割方法。利用canny算法和图像扩张的方法获取图像的轮廓特征信息,在轮廓周围选取锚点,并通过锚点均匀化来构建Voronoi图得到图像的超像素块。相比基于LSD(Line Segment Detector)直线检测的凸多边形超像素传统分割方式,基于轮廓的超像素分割方式能够获取到更多的图像信息,同时该方法解决了在传统的SLIC(Simple Linear Iterative Clustering)等基于聚类的超像素分割方式在轮廓处的超像素构建不清晰等问题。在BSDS300图像数据集上进行测试,在US指标上基于轮廓的超像素分割方式要优于上述传统方法。应用此算法于肺部图像,对比传统方法并进行分析,也显示了其优越性。在肺结节检测研究中,主要依据deeplung模型框架,针对肺结节特定任务下数据量不足、数据多样性差、数据非均衡等问题,使用了多元数据融合、输入通道数扩充、损失函数选择与设计以及后处理等优化策略进行实验效果的提升。由于肺结节检测后存在假阳性较高的问题,通过置信度阈值筛除法、形态学阈值筛除法和构建降假阳性网络模型三种不同的策略进行处理,最后对比后选择置信度阈值筛除法。通过肺结节检测和降假阳性处理后,在公开数据集和山东某医院提供的混合数据集中进行测试,准确率在93.45%,敏感度在 95.9%。在病灶结构辅助诊断与肺功能定量分析研究中,这一部分也分包含为两个部分研究内容。第一部分是对于结节病灶结构的简单判断,主要包括了四个部分:肺结节大小的判定、肺结节的位置定位、肺结节形态学种类分析、肺血管三维可视分析。第二部分是进行肺功能定量分析,通过采用一些肺部定量指标进行判定达到辅助诊断的目的。这部分主要采用肺气肿指数、低衰减区比例、功能性肺容积比例等指标,通过不同病理的这些指标量数据进行统计和对比,达到这些指标量在不同病理下的统计值区间。经实验表明,提出的病灶结构辅助诊断与肺功能定量分析方法可以有效辅助医生进行病理诊断。

关键词： 眼动行为检测   路径积分   变点检测   深度学习  

摘要： 近年来,眼动行为受到越来越多的关注,随着眼动仪的应用以及视点估计算法的发展,我们可以很容易的从眼动仪或者是其他应用程序中获取视点位置。虽然原始视点位置可以直接用于一些研究,但是从视点数据中检测出眼动行为可以为交互和分析领域提供了更多信息。目前眼动行为检测领域仍然存在一些挑战,尤其是如何有效的表达眼动轨迹的信息,以及如何设计高效的分类器。深度学习技术已经在许多领域取得了成功,然而现在用于眼动行为检测的深度学习模型都相对简单,仍有改进的余地。路径积分(Path Signature,PS)是一种能够高效表达路径信息的特征,已经在手写字符识别,人体姿态估计等领域取得成功。眼动轨迹本身就是一种路径,然而还没有一种算法使用路径积分来检测眼动行为。本文重点就基于路径积分和深度学习方法的眼动行为检测算法进行研究,主要工作有:1.基于路径积分的的眼动行为检测算法。基础的眼动行为包括注视、扫视和平稳追踪。现有的眼动行为检测算法提取的特征全都是眼动轨迹的局部特征,例如视点的速度或是方向,完全忽略了眼动轨迹的全局特征,存在一定局限性。为此,本文在以往算法的基础上引入路径积分特征来表征眼动轨迹的全局信息,使用全局信息加局部信息的方式全面表征眼动轨迹。为了让局部特征和全局特征在互不干扰的情况下最大限度的发挥作用,本文设计了具有两个输入端的神经网络(Multiple Input Neural Networks,MINN)。并在最大的公开数据集Gaze Com上对三种基础眼动行为进行检测,实验结果表明MINN的眼动行为检测效果要优于其他眼动行为检测算法。2.基于朴素分段线性回归(Naive Segmented Linear Regression,NSLR)路径积分的通用眼动行为检测算法,NSLRPS。除了三种基础的眼动行为之外,还有一些更加复杂的眼动行为,例如后扫视震荡,前庭眼反射和视动性眼颤,这些眼动行为的持续时间比三种基础眼动行为短的多,在检测时容易与三种基础眼动行为混淆或是被检测为噪声。本文在MINN的基础上使用朴素分段线性回归算法来改进特征提取方法。朴素分段线性回归算法是变点检测算法(Change Point Detection)的一种,通过使用多个方程来逼近眼动轨迹,达到对眼动轨迹准确分割的目的。同时,提取的特征由路径积分改为对数路径积分(Log Path Signature,LPS),LPS是PS的改进版本,形式比PS更加紧凑,可以进一步提高检测眼动行为检测效率。本文使用随机森林分类器对提取的特征进行训练,在Gaze Com,Andersson和360EM这3个数据集上分别对三种基本眼动行为以及三种较复杂的眼动行为进行检测,以验证算法的通用性和有效性。实验结果表明NSLRPS算法对基础眼动行为的检测效果要超过MINN以及其他眼动行为算法,同时对复杂眼动行为的检测效果也要优于其他眼动行为检测算法。

关键词： 药物-药物副作用   异构极性网络   多源特征融合   图卷积神经网络   对比学习  

摘要： 联合用药是疾病治疗中常规和普遍的治疗策略,通常能够达到比较好的治疗效果。因此,联合用药引发的药物-药物相互作用(Drug-Drug Interaction,DDI)一直是人们关注和研究的热点。事实上,DDI是一把双刃剑,既有正向的药效相互促进作用,又有负向的药物-药物副作用(Drug-Drug Adverse Reaction,DDADR)。相对于找到药物之间的正作用而言,发现药物之间的副作用更加困难。虽然在药物开发阶段会进行大量的体内和体外实验,筛选出可能产生副作用的药物组合,但是这个过程消耗巨大的成本,并且需要较长的实验周期。随着信息化技术的发展,大量的医药数据被汇总与挖掘。研究者开始借助机器学习方法对DDADR进行预测,提出了一些有效的预测方法,但是仍然面临很多挑战,主要包括:(1)现有的大多数DDADR预测方法只简单地利用药物相关的信息(如化学分子结构,蛋白质等)来得到药物的特征表示,由于没有充分利用生物医学对象信息,因此得到的药物特征无法表示药物之间丰富的语义关系。除此之外,大多数方法是基于单视图的,如何使用多视图嵌入的方法整合不同生物医学视图以得到语义更加丰富的药物特征表示,是一个极具挑战性的问题;(2)目前大多数DDADR预测方法过度依赖标记数据,然而人工标记医药数据的成本极高。如何构建一个基于对比学习的DDADR预测模型以减少对标记数据的依赖,也是值得研究的问题;(3)基于对比学习的DDADR预测模型受自身的训练模式限制,获得的药物特征表示质量不高。如何改进基于对比学习的DDADR预测模型以提高药物特征表示质量,从而提高预测精度是一个具有探究意义的问题。针对以上问题,本论文对DDADR预测问题和关键技术进行了研究,逐步深入地提出了一系列基于异构极性网络的DDADR表示学习方法。论文的主要创新成果如下:(1)提出了一种基于异构极性卷积网络的药物副作用预测方法(MS-ADR),以解决药物特征包含药物语义信息不够丰富、基于单视图预测模型效果不佳的问题。首先,利用与药物相关的多源生物医学对象信息和已知的DDADR信息,构建药物异构极性网络,并在其中应用结构平衡理论进行符号传播,进一步丰富药物之间的语义信息;其次,对药物异构极性网络进行图卷积编码,获得包含高阶语义信息的药物特征表示;最后,构建一种新型的基于深度学习的特征融合框架,将不同的生物医学视图信息嵌入到编码结构中,获得多源药物特征表示以进行DDADR预测任务。此成果形成了后续研究的框架基础。(2)提出了一种基于异构极性网络对比表示的药物副作用预测方法(DMVDGI),以解决目前大多数DDADR预测方法过度依赖标记数据的问题。首先,利用图卷积编码器获得药物正局部特征表示和药物负局部特征表示,并且利用全局表示编码器获得药物全局表示;其次,通过最大化全局表示-正局部表示之间的互信息,同时最小化全局表示-负局部表示之间的互信息来不断优化模型,获得最优的药物特征表示;最后,通过语义级注意力机制对不同生物医学视图中的药物特征表示进行融合,获得多源药物特征表示以进行DDADR预测任务。与MS-ADR模型(成果1)相比,降低了模型对标记数据的依赖度。此成果是后续优化研究的基础。(3)提出了一种基于异构极性网络有监督对比表示的药物副作用预测方法(SCLADR),以解决基于对比学习的DDADR预测模型获得的药物特征表示质量不高的问题。首先,采用有监督对比学习方法微调DMVDGI模型(成果2),利用稀疏的标记数据,在对比损失的基础上加入交叉熵损失来训练模型;其次,利用隐式图神经网络(Implicit Graph Neural Networks,IGNN)编码药物的多源语义特征,使获得的药物特征表示具有全局性;最后,采用端到端可训练的方式产生负样本,而不是以一种固定的方式产生负样本。这些改进显著提升了药物特征表示质量,从而提高了DDADR预测精度。本论文在Decagon模型的数据集、Drug Bank、SIDER和OFFSIDES数据集上进行了丰富的实验,并且采用多项指标进行评估。实验结果表明,本论文提出的一系列模型效果在DDADR预测任务中优于目前一些最好模型,实现了DDADR的有效预测,有助于治疗方案的制定和提高新药研发效率。

关键词： 高分辨率遥感影像   建筑物提取   语义分割   残差学习   注意力机制  

摘要： 建筑物是衡量城市发展的重要指标之一,利用多源影像对其进行批量提取是获取城市基础空间数据的重要技术,对城市规划、管理有着重要意义。随着城市化进程的加快和遥感技术的飞速发展,城市遥感业已步入大数据时代,与之相应的深度学习方法日益成为建筑物提取的重要手段与热门研究领域。本文针对高分辨率遥感影像建筑物提取的深度学习技术进行了系统研究,主要工作如下:（1）收集了开源的建筑物数据集,并通过无人机航拍形式获取了含有建筑物的真实场景影像数据。本文引用了三个流行的高质量网络建筑数据集,WHU数据集、Massachusetts数据集和Inria数据集,三类数据集各具特色,代表性强,满足了实验要求。通过无人机获取的真实场景数据分辨率高、包含建筑物场景丰富,能够有效地检验模型在实际场景中的应用价值。（2）利用CBAM改进的基础残差块构建特征提取网络,结合多层次融合模块和三角形连接结构构建了阶梯形语义分割网络LSNet。多层次连接的融合模块可以提高深层特征语义信息和浅层特征几何信息的利用率。三角形连接结构能够将不同深度的深浅层特征和融合模块进行连接,使特征中的信息多方向流动和传播,提高了不同层次的特征的再利用率。本文设计了与多个经典的语义分割模型进行对比的综合实验,以及与不含改进融合结构的Res SNet模型进行的消融实验。实验结果表明LSNet模型Io U交并比在三个数据集上均比经典语义分割模型高出6%以上,其它评价指标也均为最优,而和没有融合模块和三角形连接结构的Res SNet相比,在Io U指标上提高了1.5%到3.5%。最后,设计了模型在实际场景中的应用实验,实验结果表明LSNet比先进的语义分割模型更具有实际应用价值。（3）在UNet的基础上进行改进,得到了一种融合多尺度特征与上下文语义信息的语义分割模型MFCSFNet。该改进模型使用多尺度空间空洞金字塔ASPP结构为模型添加了多尺度信息,并使用两种改进的模块融合特征的上下文信息,一种是根据自注意力机制原理改进的下游深层特征引导的自注意力机制结构,另一种是在Attention Feature Fusion结构的基础上进行改进得到的结合全局信息和特征间相互关系的融合模块。本文设计了与先进语义分割模型的对比实验,以及与不含下游深层特征引导的注意力机制与改进融合模块的语义分割模型AttenMFNet的消融实验。实验结果表明,MFCSFNet比经典语义分割模型在三个特定数据集上,Io U指标分别提升了1.76%,1.77%和9.64%,在消融实验上也取得了0.5%到1%不等的提升。说明了本文提出的MFCSFNet以及改进的注意力机制模块和融合模块的先进性和有效性。为了验证本文提出的下游深层特征引导的注意力机制结构的有效性,设计了权重可视化实验,实验结果表明了该注意力机制能够有效引导注意力图生成的方向。最后,在无人机航拍测试数据上进行了模型泛化性实验,实验结果表明,虽然该模型在实际应用中有一定的意义,但是深度学习模型还是以数据为引导的模型,如果要得到更具泛化性的模型,还需要大量的、高质量的训练数据集。该论文共有图62幅,表16个,参考文献86篇。

关键词： 磁共振成像   采样模式   放射状采样轨迹   深度学习   深度强化学习  

摘要： 磁共振成像(Magnetic Resonance Imaging,MRI)具有无损无创、无电离辐射、软组织对比度高、图像信息丰富等特点,是临床医学诊断和基础生命科学研究中最重要的影像学工具之一。但是MRI数据采集时间长,导致设备吞吐量小、不适应急重症的快速诊断、患者耐受性低等,限制了MRI的使用。因此,通过对k空间进行部分采样得到欠采样数据实现高加速倍率MRI具有重要科学意义和应用价值。得益于深度强化学习强大的特征表达和决策能力,Pineda等提出的基于深度强化学习的笛卡尔采样轨迹学习方法(简称Pineda方法)能得到比传统压缩感知方法更高的加速倍率。然而,该方法无法克服笛卡尔采样轨迹高低频信息利用不充分的局限,且存在模型参数量大(约300M)、计算效率低、在线推理阶段确定轨迹时间长等问题。为了解决上述问题并提高图像重建精度,本论文提出在极坐标下进行高效、高精度放射状采样轨迹学习的方法,主要工作和贡献如下:(1)提出基于深度强化学习的切片不相关放射状采样轨迹学习方法SIRTL,充分利用了放射状轨迹同时覆盖高低频信息的特性,采用与指定加速倍率相适应的简洁、高效的网络对图像进行重建,设计了以历史辐条角度信息为输入的全连接网络估计不同辐条的价值。在公开数据库fast MRI的实验表明,所提方法在比Pineda方法的切片不相关方法模型规模减少约37倍、训练效率提高约17倍的情况下,使重建图像质量得到明显提升。(2)为了解决SIRTL方法不具备切片自适应能力的问题,提出基于深度强化学习的切片自适应放射状采样轨迹学习方法SARTL,设计了以历史辐条信息对应的重建图像为输入的卷积神经网络估计不同辐条的价值,可以区分不同切片信息,使方法具有自适应性;建立了同时包含结构相似度、峰值信噪比、归一化均方误差的多目标奖励函数,提升轨迹学习质量。实验表明所提SARTL方法在比Pineda方法的切片自适应方法模型小约20倍、在线推理速度提高约15倍的情况下使图像重建质量得到显著提高。总之,本论文提出的两种基于深度强化学习的放射状采样轨迹学习方法具有参数量少、计算效率高和重建图像质量好的特点。