近年来,Transformer在众多监督式计算机视觉任务中取得了显著进展,然而由于高质量医学标注图像的缺乏,其在半监督图像分割领域的性能仍有待提高。为此,提出了一种基于多尺度和多视图Transformer的半监督医学图像分割框架:MSMVT(multi-scale and multi-view transformer)。鉴于对比学习在Transformer的预训练中取得的良好效果,设计了一个基于伪标签引导的多尺度原型对比学习模块。该模块利用图像金字塔数据增强技术,为无标签图像生成富有语义信息的多尺度原型表示;通过对比学习,强化了不同尺度原型之间的一致性,从而有效缓解了由标签稀缺性导致的Transformer训练不足的问题。此外,为了增强Transformer模型训练的稳定性,提出了多视图一致性学习策略。通过弱扰动视图,以校正多个强扰动视图。通过最小化不同视图之间的输出差异性,使得模型能够对不同扰动保持多层次的一致性。实验结果表明,当仅采用10%的标注比例时,提出的MSMVT框架在ACDC、LIDC和ISIC三个公共数据集上的DSC图像分割性能指标分别达到了88.93%、84.75%和85.38%,优于现有的半监督医学图像分割方法。
查询是数据库系统最主要的操作，查询性能直接决定了应用程序的响应速度和用户体验.多查询并行场景下，查询之间争用或共享数据库系统资源，产生查询交互(Query Interaction，QI)，是影响查询性能的主要因素，准确度量QI是为查询选择合适执行计划及提升查询性能的关键.QI随着查询中操作的执行动态变化，现有度量方法只考虑新查询加入时刻系统资源的使用情况，不考虑系统资源在查询执行过程中的变化，度量不准确.为此，本文提出查询组合时序异构图，用于描述查询组合中QI随时间的动态变化；提出时间感知多边类型权重计算模型(Time-Aware Multi-edge Type Weight Calculation，TA-MTWC)，计算异构图中操作节点之间任意执行时刻的边权重，捕捉QI随时间的动态变化；提出查询组合时序异构图分类模型(Query-mix Time-series Heterogeneous Graph Classification，QTHGC)，采用长短期记忆神经网络(Long Short Term Memory，LSTM)学习多个时刻图表示之间的时序关系，为并行查询选择执行计划.在PostgreSQL上的实验证明，QTHGC的平均准确率比查询优化器提高51.2%，比现有最新的QHGC模型提高2.87%.
暂无评论