关键词： 膝骨关节炎   深度学习   图像识别   智能分割   测量分析  

摘要： 背景:MRI对诊断早期膝骨关节炎有重要意义。利用深度学习方法进行膝骨关节炎的MRI图像识别和智能分割,是目前人工智能在影像诊断方面的研究热点。目的:通过对膝骨关节炎病例MRI图像的深度学习,能够全自动分割膝关节的股骨、胫骨、髌骨、软骨、半月板、韧带、肌肉及关节积液,并测量膝关节积液体积和肌肉含量。方法:筛选出100个正常膝关节和100个膝骨关节炎患者数据,按照8︰1︰1的比例随机分为训练集(traindataset,n=160)、调优集(validation dataset,n=20)和测试集(test dataset,n=20)。采用Coarse-to-Fine序贯训练的方法训练3D-UNET网络深度学习模型,先训练一个膝关节矢状面MRI粗略分割模型,将得到的粗略分割结果作为掩膜(mask),再训练精细分割模型。输入膝关节矢状面T1WI、T2WI图像和各结构的标注文件,运用DeepLab v3,分割骨、软骨、韧带、半月板、肌肉、积液,最后显示三维重建,显示自动测量结果(肌肉的含量、积液的体积),完成深度学习的应用程序。再筛选出26例正常人和38例膝骨关节炎患者的膝关节MRI数据进行测试验证。结果与结论:①26例正常人中女13例,男13例,平均年龄(34.88±11.75)岁,膝关节中肌肉含量平均值(1051322.94±2007249.00)mL,均值中位数为631165.21 mL;积液的体积平均值(291.85±559.59)mL,均值中位数0 mL。②38例膝骨关节炎患者中女30例,男8例,平均年龄(68.53±9.87)岁;肌肉含量平均值(782409.18±331392.56)mL,均值中位数689105.66 mL;积液的体积平均值(1625.23±5014.03)mL,均值中位数178.72 mL。③正常人的肌肉含量与膝骨关节炎患者的相差不大,差异无显著性意义;而膝骨关节炎患者积液的体积高于正常人,差异有显著性意义(P<0.05)。④提示通过深度学习对膝骨关节炎MRI图像进行智能分割,可摒弃以往手工分割的缺陷;对膝骨关节炎的评估需要更加精细化,将图像分割处理得更加精细,以提高结果的精度。

关键词： 译文质量估计   机器翻译   对抗训练   二分类  

摘要： 译文质量估计旨在没有参考译文的情况下预测机器翻译的质量，在机器翻译领域发挥着重要作用。该文提出了一种新的译文质量估计方法，将对抗训练融入其中，以解决译文质量估计任务中两阶段训练目标不一致的问题。该模型主要包括机器翻译的生成器和二分类的判别器。在对抗训练过程中，生成器动态生成数据，经过质量筛选后用于判别器的训练，接着判别器计算奖励并更新生成器。对抗训练后，生成器的翻译性能和判别器的准确率都得到显著提升。此外，该文还针对判别器在译文质量估计任务相关数据上的二分类实验结果进行了深入分析，证明了对抗训练能够有效提升判别器的性能，进而用于更准确的译文质量估计。

关键词： 图文情感分析   深层注意力   两阶段融合   门控注意力机制   对比学习  

摘要： 图文数据逐渐成为网络舆情的主流载体，图文情感分析利用多模态的信息互补效应提高情感分析效果，在人机对话、舆情监控等领域具备极大的应用潜能。以往的研究大多将图像和文本的特征拼接后再使用注意力进行融合，模态信息交互不充分，融合特征存在大量的噪声。本文提出了一种深层注意力和两阶段融合的图文情感对比学习方法。使用深层跨模态注意力网络进行模态交互，有助于提取不同模态的隐藏信息。设计的跨模态门控融合模块利用门控机制和注意力实现特征的两阶段融合，动态调整特征权重，降低数据噪声。模型通过对比学习和情感分类任务的联合训练，充分捕获与情感相关的跨模态共同特征，有利于提升模型的鲁棒性。方法在MVSA-Single，MVSA-Multiple和HFM等数据集上进行实验得到的准确率和F1值相较于基线模型的最优者平均提升了1.04%和0.96%。

关键词： 小样本学习   图神经网络   元学习   度量学习   迁移学习  

摘要： 小样本学习(few-shot learning,FSL)旨在利用少量样本学习得到解决问题的模型,为解决应用场景中样本量少或标注样本少的问题.图神经网络(graph neural network,GNN)由于其在许多应用中的卓越性能引起了极大的关注,许多学者开始尝试利用图神经网络进行小样本学习,基于图神经网络的方法在小样本领域取得了卓越的成绩.目前与基于图神经网络的小样本学习方法相关的综述性研究较少,缺乏该类方法的划分体系与介绍性工作,因此系统地梳理了当前基于图神经网络的小样本学习的相关工作:概括了小样本学习的图神经网络方法的概念,根据模型的基本思想将其划分为基于节点特征、基于边特征、基于节点对特征和基于类级特征的4类方法,介绍了这4类方法的研究进展;总结了目前常用的小样本数据集和代表性模型在这些数据集上的实验结果,归纳各类方法主要的研究内容和优劣势;最后概述了基于图神经网络的小样本学习方法的应用和面临的挑战,并展望其未发展方向.

关键词： 铀矿测井   岩性识别   深度学习   量化分析  

摘要： 采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。

关键词： 铁皮石斛   拉曼光谱   卷积神经网络-长短期记忆神经网络   总黄酮含量   快速检测  

摘要： 铁皮石斛具有很高的商业价值和营养价值,将云南文山、广西金秀、安徽霍山、浙江台州四个产地共130个样品作为研究样本,在785 nm激光下利用便携式拉曼光谱仪获得了铁皮石斛拉曼光谱,采用NaNO_(2)-Al(NO_(3))_(3)-NaOH比色法测定铁皮石斛总黄酮含量。以每条经过归一化后的拉曼光谱数据作为输入,利用Savitzky-Golay卷积平滑(SG平滑)、标准正态变量变换(SNV)、多元散射校正(MSC)等不同预处理方法对光谱数据进行处理,以偏最小二乘(PLS)、支持向量机(SVM)和卷积神经网络-长短期记忆神经网络(CNN-LSTM)模型作为比较,竞争自适应重加权采样(CARS)作为波长选择方法,对不同的机器学习模型进行比较研究。采用以下预测质量指标:校正集、测试集相关系数(R_(c)、R_(p)),校正集、测试集均方根误差(RMSEC、RMSEP),评价铁皮石斛总黄酮含量预测模型的性能。结果表明:光谱在经过SNV预处理之后,CNN-LSTM方法预测铁皮石斛总黄酮含量准确率最高,R_(c)、R_(p)分别为0.983和0.964,RMSEC、RMSEP分别为0.032和0.047 mg·g^(-1)。结合拉曼光谱建立的SNV-CNN-LSTM深度学习模型准确可靠,具有很强的鲁棒性,优于传统的机器学习模型(PLS、SVM)。利用拉曼光谱结合CNN-LSTM模型对铁皮石斛总黄酮含量进行预测,克服了传统的理化鉴别法的缺陷,具有快速无损的特点。该方法能对铁皮石斛的品质进行区分,并加快药食同源植物市场铁皮石斛产业化,构建自主品牌并增加其影响力,同时此项技术也可应用于消费者和市场监管部门。

关键词： 无模型强化学习   策略模型   状态表示   动作表示   连续动作空间   策略搜索强化学习方法  

摘要： 策略搜索是深度强化学习领域中一种能够解决大规模连续状态空间和动作空间问题的高效学习方法,被广泛应用在现实问题中。然而,此类方法通常需要花费大量的学习样本和训练时间,且泛化能力较差,学到的策略模型难以泛化至环境中看似微小的变化。为了解决上述问题,提出了一种基于潜在空间的策略搜索强化学习方法。将学习状态表示的思想拓展到动作表示上,即在动作表示的潜在空间中学习策略,再将动作表示映射到真实动作空间中。通过表示学习模型的引入,摒弃端到端的训练方式,将整个强化学习任务划分成大规模的表示模型部分和小规模的策略模型部分,使用无监督的学习方法来学习表示模型,使用策略搜索强化学习方法学习小规模的策略模型。大规模的表示模型能保留应有的泛化性和表达能力,小规模的策略模型有助于减轻策略学习的负担,从而在一定程度上缓解深度强化学习领域中样本利用率低、学习效率低和动作选择泛化性弱的问题。最后,在智能控制任务CarRacing和Cheetah中验证了引入潜在空间中的状态表示和动作表示的有效性。

关键词： 机械臂   逆强化学习   行为树   复杂操作任务   专家策略   奖励函数  

摘要： 现有分层强化学习方法不仅在学习过程中存在样本效率低、奖励稀疏以及学习时间过长等问题,而且大多基于仿真环境,导致学习策略在机器人真实操作环境中部署困难。针对上述问题,提出一种基于逆强化学习与行为树的机械臂复杂操作技能学习方法。在对复杂操作任务进行分割的基础上,首先,根据专家演示轨迹确定分割后每个子任务的强化学习参数及其对应的专家策略;其次,根据子任务专家策略并使用生成对抗模仿学习算法进行预训练,得到每个子任务的奖励函数;再次,运用每个子任务的奖励函数并基于SAC算法做进一步训练,获取到每个子任务的最优策略;最后,将子任务最优策略从仿真环境部署到真实环境,并将部署后的每个子任务作为叶节点构建行为树,实现机械臂复杂任务规划。实验结果表明,所提方法能较好地学习机械臂复杂操作技能,并在性能上优于其他传统强化学习算法。

关键词： 强化学习   QLCC算法   网络拥塞控制   学习方法   仿真实验  

摘要： 该文结合强化学习方法提出一种QLCC算法,此算法是将网络拥塞过程进行简化之后描述为马尔科夫决策过程,在Q-learning算法应用的基础上创新设计的新型网络拥塞控制算法。研究过程中首先介绍强化学习方法,并对网络拥塞过程中马尔科夫决策过程的构建条件及假设进行探讨,之后从框架结构、参数结构及定义、参数离散划分和更新步骤几个方面介绍QLCC算法,并采取仿真实验方法对该种新算法的网络吞吐量、公平性、随机丢包环境下的吞吐量分别进行检测,通过与其他3种传统网络拥塞控制算法进行对比分析,证实QLCC算法具有吞吐量较佳、公平性最高、抗丢包性能最优的性能,说明其是一种具有较高应用优势的智能化网络拥塞控制算法。

关键词： 新型冠状病毒感染   目标检测   深度学习   注意力机制   肺炎  

摘要： 目的 通过对细节信息的恢复并结合局部信息的挖掘,构建基于深度学习的目标检测方法以帮助放射科医生快速诊断新型冠状病毒感染导致的肺炎(novel coronavirus pneumonia, NCP)患者CT图像中的病灶。方法 提出一种细节上采样和注意力引导的深度学习方法。该方法使用一种基于三双线插值的线性上采样算法来增强特征图在上采样过程中细节信息的恢复能力,并在特征提取模块中嵌入基于垂直和水平空间的视觉注意力机制以增强目标检测算法对NCP病灶关键信息的表征能力。结果 在NCP数据集上的实验结果显示,使用基于细节上采样算法的检测方法与基线模型相比提升了1.07%的召回率,达到了85.14%的AP50。在特征提取模块中嵌入注意力机制后取得了86.13%的AP50和73.92%的召回率以及90.37%的精确率,优于流行的目标检测模型。结论 CT图像中基于深度学习的特征信息挖掘能够进一步提升病灶检测能力,所提出的方法有助于放射科医生快速检测CT图像中的NCP病灶,为NCP患者的早期干预和高强度监测提供重要的临床依据。