检索结果-内蒙古大学图书馆

计算机工程与设计 2023年第8期44卷 2447-2453页

作者：汪洋杨云云南大学国家示范性软件学院云南昆明650504

在新型冠状病毒肺炎的肺部病灶分割任务中,基于半监督学习进行病灶分割可以利用大量未标记数据。针对半监督学习中伪标签置信度不足问题,采用UNet和DeepLabV3+作为基础网络搭建协同训练框架,以集成方法获取高质量伪标签;引入JS距离度量... 详细信息

在新型冠状病毒肺炎的肺部病灶分割任务中,基于半监督学习进行病灶分割可以利用大量未标记数据。针对半监督学习中伪标签置信度不足问题,采用UNet和DeepLabV3+作为基础网络搭建协同训练框架,以集成方法获取高质量伪标签;引入JS距离度量伪标签的不确定性,给予伪标签监督损失一个正则项,减轻低质量伪标签对分割性能的影响。在公开数据集中进行实验,获得Dice系数76.06%、IOU分数65.1%、敏感度分数77.22%和精确率分数81.46%。

关键词：深度学习半监督学习医学影像分割协同训练伪标签 CT影像不确定性估计

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的医学影像分割研究综述

引用

计算机应用 2021年第8期41卷 2273-2287页

作者：曹玉红徐海刘荪傲王紫霄李宏亮中国电子学会北京100036 中国科学技术大学信息科学技术学院合肥230026 中国科学院大学工程科学学院北京100049

医学影像分割是计算机辅助诊断中的一项基础且关键的任务,目的在于从像素级别准确识别出目标器官、组织或病变区域。不同于自然场景下的图像,医学影像往往纹理复杂,同时受限于成像技术和成像设备,医学影像噪声大,边界模糊而不易判断。... 详细信息

医学影像分割是计算机辅助诊断中的一项基础且关键的任务,目的在于从像素级别准确识别出目标器官、组织或病变区域。不同于自然场景下的图像,医学影像往往纹理复杂,同时受限于成像技术和成像设备,医学影像噪声大,边界模糊而不易判断。除此之外,对医学影像进行标注极大依赖于医疗专家的认知和经验,因此可用于训练中的标注数据少且存在标注误差。由于上述的医学影像边缘模糊不清、训练数据较少和标注误差较大等特点,基于传统图像分割算法搭建的辅助诊断系统难以满足临床应用的要求。近年来随着卷积神经网络(CNN)在计算机视觉和自然语言处理领域的广泛应用,基于深度学习的医学影像分割算法取得了极大的成功。首先概述了近几年基于深度学习的医学影像分割的研究进展,包括这些医学影像分割算法的基本结构、目标函数和优化方法。随后针对医学影像标注数据有限的问题,对目前半监督条件下医学影像分割的主流工作进行了整理归纳和分析。此外,还介绍了针对标注误差进行不确定度分析的相关工作。最后,总结分析了深度学习医学影像分割的特点并展望了未来的研究趋势。

关键词：医学影像分割深度学习卷积神经网络半监督学习不确定性估计

来源：评论

学校读者我要写书评

暂无评论

大规模不规则环境中的移动机器人定位与地图构建

大规模不规则环境中的移动机器人定位与地图构建

引用

作者：孙作雷上海交通大学

学位级别：博士

在移动机器人应用中,通常难以提前获得关于机器人作业环境的认知,而先验环境信息是路径规划、动作预测和机器人控制的重要依据。因此,旨在估计机器人位置与姿态并辨识周围环境的同时定位和地图构建研究成为移动机器人领域的关键问题之一... 详细信息

在移动机器人应用中,通常难以提前获得关于机器人作业环境的认知,而先验环境信息是路径规划、动作预测和机器人控制的重要依据。因此,旨在估计机器人位置与姿态并辨识周围环境的同时定位和地图构建研究成为移动机器人领域的关键问题之一,并已在星球探测、水下勘探、采矿自动化、无人飞行器导航和灾难营救等领域成功实现。传统研究大多着眼于小规模规则环境中的基础应用。实现大规模不规则环境中可靠的同时定位与地图构建系统是领域内公认的难点与发展趋势。本论文研究室外环境中应用于车型机器人的定位和场景重构方案,设计仅利用二维激光传感器的软硬件构架,仅基于移动机器人行进中采集的激光粒子云探究系统中的状态估计问题。通过对算法的创新,从系统中移除传统方案常用的车载里程计等内置于机器人激励机构的传感器,提高了系统的工程易用性。具体研究工作简述如下: 第一,研究了同时定位与地图构建问题的基本方法和关键技术点。本文基于对前人研究的总结深入探讨了同时定位与地图构建研究的理论体系、概率基础和发展动向。系统研究了同时定位与地图构建问题中的状态归纳、地图描述和环境建模策略。揭示了信息滤波体系较卡尔曼滤波体系在大规模定位与地图构建应用中的优势。第二,研究了基于激光测距仪观测数据估计移动机器人两相邻时刻间相对运动的方法。分析了激光束匹配问题的定义和激光粒子云配准方案的系统构架。深入研究了激光束匹配的传统算法迭代最近点法的算法流程,实际验证并揭示了其算法缺陷,指出了经典激光束匹配算法设计上的不足与改进手段。第三,研究了基于概率推理,估计相邻激光束中激光粒子关联关系的的机器学习算法,提高了激光束匹配在大规模不规则环境中的可靠性。实现了基于条件随机场图模型的激光束匹配算法。研究了针对二维激光粒子云图模型建模、模型参数伪似然学习及隐变量状态推理的原理与实现。提出了观测量多重几何特征提取与智能管理的方法,比使用单一距离尺度的传统算法在不规则环境中的鲁棒性更强,且具有严密的的概率基础,为定量分析估计结果的不确定性并将其嵌入概率滤波框架提供了切入点。第四,提出了基于概率图模型定量分析激光束匹配问题中机器人相对运动估计不确定性的方法。研究并归纳了激光束匹配的误差源,揭示了主要误差源的产生机理和问题定义。深入研究图模型概率推理机制,通过在消息构建与置信传播环节实施累加概率采样,拟合激光点关联配置不确定性分布,并将其映射于相对运动估计空间,从而提出了采样积不确定性推理算法。与传统的基于迭代最近点算法的不确定性估计算法不同,采样积不确定性推理算法更有针对性地分析数据关联问题中的主要误差源。它以激光束中激光点的几何特性为基础,发掘条件随机场图模型推理过程得到的概率信息,因此具有完善的概率基础。经仿真和实地实验验证,采样积推理所捕捉的激光束匹配的不确定性特征更合理。此外,采样积不确定性推理算法可拓展应用于激光粒子匹配之外的数据关联问题。第五,提出了大规模不规则环境中的同时定位与地图构建的实验平台和算法系统方案。并在澳大利亚陆地机器人中心所在的悉尼大学的主校园进行了机器人路径规模大于1km的实地实验。研究并实现了精确稀疏滞后状态滤波框架,提出了新的算法机制,它融合了滞后状态信息滤波、基于条件随机场的激光束匹配和采样积不确定性推理。基于激光粒子影像匹配,提出并实现了适用于大规模不规则环境中的闭环侦测策略。经实验验证,本文所提出的同时定位与地图构建系统在真实环境中的性能优于传统算法。本文研究的同时定位与地图构建的实验平台与算法系统为实现移动机器人在复杂环境中的自治提供了可能,在军用和民用领域都有重要意义。

关键词：不规则环境同时定位与地图构建激光束匹配条件随机场图模型不确定性估计

来源：评论

学校读者我要写书评

暂无评论

水面移动机器人自主控制方法研究

水面移动机器人自主控制方法研究

引用

作者：马玉龙中国科学院研究生院

学位级别：博士

近年来，随着机器人技术的发展，各种各样的移动机器人系统正在开始应用于工业、国防安全、公共安全、灾难救援、科学探测等领域;但是，遥控作业方式仍然是制约移动机器人广泛应用，因而具有全自主行为能力的移动机器人系统开始进入人... 详细信息

近年来，随着机器人技术的发展，各种各样的移动机器人系统正在开始应用于工业、国防安全、公共安全、灾难救援、科学探测等领域;但是，遥控作业方式仍然是制约移动机器人广泛应用，因而具有全自主行为能力的移动机器人系统开始进入人们的视野，而自主环境适应能力是移动机器人最基本的自主能力之一。机器人系统需要面对不可预知的、动态的、存在时变扰动和噪声的工作环境，这通常会导致机器人动力学参数的变化，从而使传统的机器人控制技术很难得到满意的控制效果并达到自主环境适应的目的。因此作为未来机器人系统自主环境适应能力关键技术之一的自主控制技术，便受到了广泛的关注。\n 本文以水面移动机器人(USV)为背景，研究其在存在大量不确定因素及外界环境干扰条件下的状态及参数估计、跟踪控制及规划、机器人系统实验问题。本论文的具体内容安排如下:\n 第1章，简单介绍了USV的研制与应用的情况;归纳了船舶系统在控制和规划两方面研究与进展，主要针对对跟踪控制和规划的现有方法进行了深入分析和综述，并指出了几种方法中存在的问题。\n 第2章，由于模型是控制算法实现、控制器设计的基础，首先介绍了坐标系统和船舶的动力学模型，并此基础上得出了适合控制器设计的跟踪控制的数学模型。\n 第3章，本章重点研究非线性系统在线估计，在简要介绍了用于非线性估计的UKF方法的基础上，提出了基于状态方差阵对角相似分解UKF(DSDUKF)和奇异值分解UKF(SVDUKF)的滤波器设计方法，放松了UKF算法对状态方差阵半正定性的要求，并在此基础上提出了加速度增强的UKF算法提高了算法精度和实时性。\n 第4章，主要是跟踪控制设计，对二自由度模型在backstepping控制器设计方法上进行改进，增加了一个反馈项，使得系统的镇定收敛更快。针对三自由度跟踪模型，在考虑将来与规划合一的基础上，提出了速度和偏航角控制方案并进行了控制器设计。在此基础上提出了一种基于主动建模的鲁棒控制设计方法，对于包含难以准确建模动力学以及外来扰动等不确定性的系统，可以将其动力学模型合理简化，而将所有不确定因素以模型差的形式引入到系统中;将引入的模型差与系统原有状态组合成增广状态，构造出联合估计模型;再利用加速度增强UKF估计方法在线实时估计这个模型差;同时，将估计出的模型差反馈到控制量中，达到增强系统鲁棒性的目的。\n 第5章，主要研究了在线动态规划算法。在研究规划方法发现，LP动态规划方法可以得到速度规划量，在前面第4章提出的控制策略基础上，将规划与控制合一设计，简化了设计步骤和控制器复杂度，仿真验证这种思想是可行有效的。\n 第6章，介绍了水面机器人移动平台系统。在船载控制系统中，叙述了系统结构、硬件设备、系统集成等，接着着重阐述了平台系统的辨识及控制试验。在最后对全文作了总结。

关键词：不确定性估计主动建模非线性控制水面移动机器人

来源：评论

学校读者我要写书评

暂无评论

用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法

引用

计算机应用 2024年第6期44卷 1942-1948页

作者：周妍李阳长春工业大学计算机科学与工程学院长春130012 东北师范大学前沿交叉研究院长春130024

脑部病变的自动分割为脑卒中患者的及时诊治和诊疗方案的制定提供了可靠的依据,但获取大规模标记数据昂贵且耗时。半监督学习(SSL)方法通过利用大量的未标记图像和有限的标记图像缓解这一问题。针对SSL中伪标签存在噪声,以及现有的三维(... 详细信息

脑部病变的自动分割为脑卒中患者的及时诊治和诊疗方案的制定提供了可靠的依据,但获取大规模标记数据昂贵且耗时。半监督学习(SSL)方法通过利用大量的未标记图像和有限的标记图像缓解这一问题。针对SSL中伪标签存在噪声,以及现有的三维(3D)网络缺乏聚焦较小目标的能力这2个问题,提出一种半监督方法,即用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法RPE-CPS(Rectified Cross Pseudo Supervision with Project&Excite modules)。首先,将数据输入2个结构相同但初始化不同的3D U-Net分割网络,将得到的伪分割图用于交叉监督训练分割网络,充分利用伪标签数据扩展训练集,并鼓励不同初始化网络对同一输入图像的预测之间具有较高的相似性;其次,设计一种基于不确定性估计的交叉伪监督方法的校正策略,以降低伪标签中的噪声影响;最后,在3D U-Net分割网络中,为提高小目标类的分割性能,将投影-激发(PE)模块添加至每一个编码器模块、解码器模块和瓶颈模块之后。为验证所提方法的有效性,在合作医院急性缺血性脑卒中(AIS)数据集和缺血性脑卒中病灶分割挑战赛(ISLES2022)数据集上分别进行评估实验。实验结果表明,在仅使用训练集中20%的标记数据时,在公开数据集ISLES2022上Dice相似系数(DSC)、95%豪斯多夫距离(HD95)和平均表面距离(ASD)分别达到了73.87%、6.08 mm和1.31 mm;在AIS数据集上DSC、HD95和ASD分别达到了67.74%、15.38 mm和1.05 mm。与先进的半监督方法不确定性校正金字塔(URPC)相比,DSC分别提升了2.19和3.43个百分点。所提方法可以有效地利用未标记数据提高分割精度,优于其他半监督方法,并具有鲁棒性。

关键词：医学影像脑卒中病灶分割半监督学习注意力机制不确定性估计

来源：评论

学校读者我要写书评

暂无评论

多种Krige方法的数学模型

多种Krige方法的数学模型

引用

作者：韩燕吉林大学

学位级别：博士

该文用数理统计的观点讨论了多种Krige方法的数学模型.以矩阵分析(包括矩阵微商、Kronecker乘积和拉直运算等)为工具,论述了五种线性Krige方法的数学模型,讨论了它们之间的内在联系,并得到一些新的结果.对于指示Kriging,用待估点处的不... 详细信息

该文用数理统计的观点讨论了多种Krige方法的数学模型.以矩阵分析(包括矩阵微商、Kronecker乘积和拉直运算等)为工具,论述了五种线性Krige方法的数学模型,讨论了它们之间的内在联系,并得到一些新的结果.对于指示Kriging,用待估点处的不确定性估计的观点,论证了方法的实质以及它在地质统计学中的作用.特别地,对指示Kriging的计算结果,给出一种新的顺序关系矫正方法,以保证矫正偏差最小,在后续计算中有尽可能小的误差.

关键词：数理统计 Krige方法不确定性估计顺序关系矫正方法

来源：评论

学校读者我要写书评

暂无评论

基于不准确标签学习的医学图像分析方法研究

基于不准确标签学习的医学图像分析方法研究

引用

作者：李向宇哈尔滨工业大学

学位级别：博士

医学图像分析技术通过对医学图像进行自动化的处理和分析,在临床上扮演着越来越重要的角色。基于深度学习的医学图像分析方法相比其他传统方法由于其在准确性和效率方面的显著提升,已逐渐成为医学图像分析领域的主流。然而,由于人工标... 详细信息

医学图像分析技术通过对医学图像进行自动化的处理和分析,在临床上扮演着越来越重要的角色。基于深度学习的医学图像分析方法相比其他传统方法由于其在准确性和效率方面的显著提升,已逐渐成为医学图像分析领域的主流。然而,由于人工标注的主观性、多标注者的不一致性以及医学图像自身的模糊性等因素,导致医学图像分析中的标签往往是不准确的。这种标签不准确性使得医学图像分析算法无法获得精确的定量分析的结果,进而难以准确地了解病变的性质、大小和位置,最终导致误诊和漏诊。因此,本研究聚焦于解决标签不准确情况下的医学图像分析问题。具体分为两个主要方向:一是学习标签的概率分布,二是学习给定条件下的输出分布。在学习标签概率分布方面,针对医学图像回归任务中的不准确标签问题,通过构造标签分布建模标签的不准确性,并深入研究了基于自集成标签分布学习的肿瘤密度估计方法;针对医学图像分割任务中的边界标签不准确问题,联合课程学习方法与标签分布学习方法,研究了基于课程标签分布学习的医学图像分割方法。在学习给定条件下的输出分布方面,从多头输出模型与概率生成模型的角度,通过生成多个合理输出结果学习输出分布,深入研究了基于上下文引导的分割标签分布学习方法以及基于残差扩散模型的分割标签分布学习方法。具体研究工作如下: (1)针对标签分布学习在建模标注者间差异中输出缺乏多样性以及难以准确预测标签分布的问题,本文提出了一种自集成标签分布学习方法。该方法通过融合高斯隐空间采样与注意力机制有效地建模了多个标注者的标注过程,提升了输出的多样性,从而更好地建模不准确标签的来源,进而实现了不准确标签情况下更优的标签分布学习。此外,本文还提出了一种分布约束损失函数,通过在训练过程中加入均值回归约束和单峰分布约束,解决了标签分布学习的目标不匹配与多峰预测问题,进而显著改善标签分布学习的效果。通过在乳腺肿瘤密度估计任务上进行消融实验和对比实验,验证了提出方法的有效性。 (2)针对基于标签分布学习的医学图像分割中存在的标签分布不均衡问题,本文提出了一种课程标签分布学习方法。该方法通过将分割任务转化为多个不同难度的标签分布学习任务,在课程学习的范式下促进了更平衡的标签分布学习,进而实现了标签不准确的情况下的更优的模型学习。设计了一种区域分布学习策略,通过区域频率统计构建区域标签分布,从而降低了标签分布的输出空间维度,并促进了更均衡的数据采样。设计了一种面向任务的学习课程,通过将分割任务分解为多个标签分布估计任务,解决了标签分布学习任务中难以定义容易困难样本的问题。最后,设计了一个先验感知模块,通过在不同学习阶段之间传递区域分布和边界先验,解决了课程学习框架中不同阶段之间缺乏联系的问题。通过在多个医学图像分割任务上进行消融实验和对比实验,验证了提出方法的有效性。 (3)针对当前多头输出方法在医学图像分割标签分布建模任务中无法保证多头输出结果合理性问题,本文提出了一种基于上下文信息引导的分割标签分布学习方法。该方法利用医学图像的空间上下文信息指导多头输出生成,提升了多头输出结果的可信度,有效地建模了标签分布,进而解决了由于图像边界模糊带来的标签不准确问题。提出的切片映射模块通过建模医学体数据中相邻切片之间的变化,实现了相邻切片之间的映射,充分利用了图像中的空间上下文信息。设计了一种不确定性估计方法评估多头输出结果的可信度,与现有的不确定性估计方法相比,该方法只需单次推断即可实现不确定性估计,提高了推断效率并获得了更好的模型校准结果。通过在医学图像分割任务上进行消融实验和对比实验,验证了基于上下文感知的多头模型的有效性。 (4)针对基于概率扩散模型的医学图像分割标签分布建模中存在的训练困难与模型校准差的问题,本文提出了一种基于残差扩散模型的分割标签分布学习方法。该方法通过在概率扩散模型中学习真实标签与扩散先验之间的残差,促进了概率扩散模型的训练优化并提升了模型校准性能;设计的深度扩散监督模块通过在概率扩散模型的中间步骤中加入深度监督,进一步优化了训练过程并促进模型的学习。通过在多个医学图像分割任务上进行消融实验和对比实验,验证了残差扩散模型的有效性。综上所述,本文从具体问题出发,结合神经网络设计和目标任务的特性,以及面临的各种挑战,提出了多种基于不准确标签的医学图像分析方法,并通过大量的实验证明了本文提出方法的有效性。

关键词：不准确标签学习医学图像分割不确定性估计医学图像回归标签分布学习概率扩散模型多头模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的视觉目标跟踪算法研究

基于深度学习的视觉目标跟踪算法研究

引用

作者：张大伟浙江师范大学

学位级别：博士

视觉目标跟踪是计算机视觉领域中最为重要的研究课题之一,在视频监控、自动驾驶、智能交通、人机交互以及军事侦察等领域都有着非常广泛的应用价值。它要处理的问题是在视频序列中连续地估计出感兴趣物体的位置和尺度信息,从而服务于高... 详细信息

视觉目标跟踪是计算机视觉领域中最为重要的研究课题之一,在视频监控、自动驾驶、智能交通、人机交互以及军事侦察等领域都有着非常广泛的应用价值。它要处理的问题是在视频序列中连续地估计出感兴趣物体的位置和尺度信息,从而服务于高层次的视频分析与理解。尽管目标跟踪已经取得了长足的进展,但是复杂多变的实际场景中存在着光照变化、遮挡、快速运动、形变、尺度变化以及背景杂波等一系列问题,这些动态不确定因素使得实现高精度且鲁棒的视觉跟踪仍然是一个巨大的挑战。近年来,随着深度学习的快速发展,其在目标跟踪领域也得到了很好的应用和发展。同时得益于海量的视频数据和计算机软硬件运算能力的不断提高,使得数据驱动的深度学习跟踪算法展现了显著的性能优势。因此,本论文在详细分析现有基于深度学习目标跟踪理论及方法的基础上,从有效的表征学习、鲁棒的相似度匹配、准确的目标框预测以及高效的运动估计四个角度进行深入研究,主要研究内容和创新如下:1)针对深度学习跟踪模型中浅层特征表示能力不足而深层特征计算开销大这一问题,提出了一种视觉注意力引导的残差学习目标跟踪算法(CSART)。该方法首先研究不同主干网络提取的视觉特征对于跟踪精度和效率的影响。其次使用自注意力模块分别在空间和通道维度捕获基特征的长距离语义依赖关系,从而获得两个富含上下文信息的注意力特征图。然后,利用残差学习的思想将其与原始特征进行自适应融合,以更有效地学习前景和背景的判别性表示。此外,还设计了一个多任务损失函数来端到端地联合优化整个表观模型,同时也缓解样本的不平衡问题。大量的实验结果表明,所提算法在基本没有降低跟踪速度的情况下,显著提高了原始模型的精准度和鲁棒性。2)基于孪生网络的跟踪算法一般采用简单的互相关操作来执行模板特征与搜索区域特征之间的相似度匹配,这种固定且线性的度量方法难以处理混乱的背景噪声问题,限制了模型的判别力。本文提出了一种基于孪生关系网络(Siamese Relation Networks)的鲁棒跟踪框架,利用关系网络建模了一种非线性可学习的相似性函数。它可以很好地集成到现有的孪生网络跟踪模型中,从而实现了由粗到细的两阶段匹配过程。推理期间,提出了一种基于双模板匹配的在线跟踪策略,保持初始帧模板,并利用高置信度跟踪结果的反馈来获取和更新动态模板,进一步提高了模型的鲁棒性和在线自适应性。实验结果表明,该跟踪算法能够很好地应对目标外观变化、背景噪声等难题。3)针对现有无锚框跟踪器分类与回归任务的不一致性以及预测框不够准确问题,提出了一种具有不确定性感知的孪生网络跟踪算法(UAST)。该方法主要探讨物体边界框的不确定性和模糊性表示,首先利用回归向量直接建模目标框四个偏移量的离散概率分布,并通过计算各个分布的积分以捕获更为灵活且信息丰富的边界框表示。其次基于预测值近邻的概率可以估计出每个边界的确定性分数,从而实现跟踪的不确定性估计。同时,考虑到不确定性与回归精度的高度相关性,构建了一个联合的分类-定位质量表示头,解决了分类与回归任务的不对齐问题,并开发动态标签分配实现了高质量的目标跟踪。在五个公开视频跟踪数据集上的测评结果表明,UAST算法优于所对比的多个先进的跟踪模型,并且该不确定性跟踪能够更可靠地用于实际视觉系统。4)考虑到目前基于分类的深度跟踪器搜索效率低下且网络参数在线更新耗时长等局限性,提出了一种基于分层深度强化学习的视觉目标跟踪模型。该工作重新定义了目标跟踪的问题建模,即研究如何教会机器模仿人类的行为范式(若干次动态迭代搜索)来执行跟踪任务。具体地,构建了特征观测网络,策略网络和演员评论家网络,以及用于建模物体运动时序信息的长短时记忆模块,并遵循马尔科夫决策过程通过深度强化学习算法学习有关跟踪模式和运动估计的层次化决策。为提高在线跟踪效率,还引入专家跟踪器来引导模型的更新和重新初始化过程。广泛的实验结果表明,提出的模型在多种挑战属性下获得了较好的跟踪结果,并且在鲁棒性与准确率方面表现良好。

关键词：目标跟踪深度学习孪生网络视觉注意力相似度匹配不确定性估计深度强化学习

来源：评论

学校读者我要写书评

暂无评论

稀缺监督下的高效图像分类与检索算法研究

稀缺监督下的高效图像分类与检索算法研究

引用

作者：胡恒通合肥工业大学

学位级别：博士

随着深度学习的发展，训练深度神经网络处理各种任务已经成为计算机视觉领域的主要方法。但是对大规模标注数据的需求却限制了它的发展，因为在实际场景中获取精确标注数据往往代价高昂。尤其是在当今的信息社会，各类视觉方面的数据如... 详细信息

随着深度学习的发展，训练深度神经网络处理各种任务已经成为计算机视觉领域的主要方法。但是对大规模标注数据的需求却限制了它的发展，因为在实际场景中获取精确标注数据往往代价高昂。尤其是在当今的信息社会，各类视觉方面的数据如图像、视频等的规模在呈指数式的增长，而巨大的数据规模更导致标注工作压力倍增。因此，在稀缺监督下解决视觉问题的研究，受到了越来越多的关注。当前处理稀缺监督问题的方法大致包括三种，无监督学习，半监督学习，和主动学习。其中无监督学习不利用任何标注信息来训练模型;半监督学习综合利用有标注和无标注数据训练模型;而主动学习致力于设计策略挑选高价值的样本进行高效标注。本文从这三类方法着手，分别提出无监督知识蒸馏，一比特监督，以及基于波动性的不确定性估计的方法，为稀缺监督下的视觉任务提供了一系列行之有效的解决方案。具体的创新点如下：　　1)针对跨模态检索，提出无监督知识蒸馏方法。跨模态检索方法根据其是否使用样本级标签，可大致分为有监督和无监督两类。它们都旨在将不同模态的数据映射到共同空间之中，然后拉近、拉远相似、非相似样本对的距离，从而实现跨模态检索的效果。两者之间的区别不大，仅在于是否利用额外的标注获取跨模态样本间的相似关系。因此本文提出利用无监督模型指导有监督模型学习的训练框架。具体的说，本文提出利用知识蒸馏技术从无监督模型的输出当中挖掘相似关系，并将其作为监督信息指导有监督模型的训练。在多个跨模态检索基准数据集上的实验验证了，所提出的方法优于当时现有的无监督方法。并且有多个诊断实验被设计用来分析该方法的性能。　　2)针对图像分类，提出一比特监督方法。传统多分类图片标注需要从众多候选类别中找到正确的一个，当数据集类别数众多时，标注工作就会?分耗时。标注人员甚至无法记住所有类别。如果只需要标注者判断一张图片是否属于某一特定类别，那标注工作就会变得非常简单。在回答这一是或否的问题时，标注者提供了一比特的信息量，因此本文研究在这种设定下学习的一比特监督任务。这个新任务存在两个关键点。一是如何猜到更多正确的标签，二是如何利用猜错的标签。据此本文提出了多阶段训练框架和负标签抑制方法，前者将标注量分配到多个阶段使用，来逐渐增强模型。后者将负标签信息嵌入教师模型输出，从而抑制学生模型对相应类别的学习。在扩展工作中，本文从数学上给予一比特监督以理论支撑。并且，结合自监督学习设计了新的学习框架，使得一比特监督可以借助难例挖掘方法进一步得到提升。其次，借助无监督域自适应方法训练初始模型，使一比特监督摆脱了对初始全比特标注的依赖，能够在目标数据集上进行完全的一比特标注。在多个基准数据集上的实验，验证了在相同监督信息下一比特监督优于半监督算法。同时，设计的多个分析实验验证了其优势来源于对监督信息的高效使用。　　3)针对图像分类，提出基于波动性的不确定性估计方法。对于各类稀缺监督下的学习任务来说，其关键通常在于对大量无标注数据的使用上。因此根据度量方法区分不同的样本，从而更高效的利用它们?分重要。而不确定性作为衡量模型对样本预测可靠程度的指标，?分适合作为这里的衡量方法。然而常见的方法，诸如最大预测概率和熵，通常利用即时性的信息计算不确定性。本文提出利用序列信息的波动性度量不确定性，例如训练过程中的输出概率。主要想法是，当一个波动性很大的训练样本被人工标注后，能够提供更丰富的信息。受贝叶斯理论启发，本文提出从训练后半程采样序列。本文提出利用傅立叶变换衡量波动的程度，从而获得一个强力的指标，能够应用到半监督学习，主动学习，和一比特监督任务上。在多个图像分类的基准数据集上的实验，验证了提出的方法能有效改进半监督基线方法，以及取得更好的主动学习结果。同时，多个诊断实验也被设计用于分析该方法的性能和超参的鲁棒性。

关键词：图像分类检索算法不确定性估计稀缺监督

来源：评论

学校读者我要写书评

暂无评论

交汇水域船舶轨迹预测与航行意图识别

引用

交通信息与安全 2022年第4期40卷 101-109页

作者：王知昊元海文李维娜肖长诗武汉工程大学电气信息学院武汉430205 武汉理工大学智能交通系统研究中心武汉430063 武汉理工大学国家水运安全工程技术研究中心武汉430063 山东交通学院威海海洋信息科学与技术研究院山东威海264200

针对典型水上交通场景交汇水域,研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络,通过学习交汇水域船舶的历史轨迹,以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征,LSTM与全连接层为解码器同... 详细信息

针对典型水上交通场景交汇水域,研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络,通过学习交汇水域船舶的历史轨迹,以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征,LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择,从而形成船舶轨迹与航行意图识别模型。同时,引入Dropout网络结构描述该模型的预测不确定性,采用随机关闭CNN+LSTM核心网络部分神经单元的方式,以相同轨迹序列作为输入获取多组相近的预测结果,根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验,创建了该交汇水域船舶航行轨迹数据集,以输入时长60 min,采样频率3 min作为输入条件,Dropout值取0.5,实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile,航行意图识别准确率达87%,不确定性估计覆盖率达85.7%。与LSTM预测方法相比,当船舶操纵性发生改变时,所提CNN+LSTM模型的轨迹预测误差降低了31.6%,而且兼具船舶航行意图识别及预测不确定性估计能力,有利于智能航行与海事监管技术发展。

关键词：交通安全交汇水域轨迹预测数据驱动意图识别不确定性估计

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：