为了更有效地表征肿瘤的生长趋势,提出了基于边缘注入的自适应时空网络(adaptive spatiotemporal networks based on edge injection,EA-Net)。引入紧密型空间增强模块学习多形态肿瘤的静态抽象信息,并重点提取关键生长特征;明确监督目...
详细信息
为了更有效地表征肿瘤的生长趋势,提出了基于边缘注入的自适应时空网络(adaptive spatiotemporal networks based on edge injection,EA-Net)。引入紧密型空间增强模块学习多形态肿瘤的静态抽象信息,并重点提取关键生长特征;明确监督目标肿瘤的边缘信息,设计多密度边缘注入模块来增强特征图像内目标的边缘权重;建立广泛的时空信息关联,实现对肿瘤未来成像的自适应建模;引入个体特异性因子,促使网络学习不同人群肿瘤的生长趋势。实验表明,提出的方法能更高效地预测肿瘤未来的生长状态,其Dice score、Recall、RMSE分别可达89.36%、90.83%、10.42%,能在一定程度上揭示肺癌疾病的发展方向。
委托权益证明(Delegate Proof of Stake, DPoS)通过投票选择见证人节点出块,实现了交易的快速认证,但其仍存在选择得到的见证人节点无法满足多数投票节点意愿、投票结果易被恶意节点操纵的问题,影响了DPoS的公平性与安全性.为此,本文将...
详细信息
委托权益证明(Delegate Proof of Stake, DPoS)通过投票选择见证人节点出块,实现了交易的快速认证,但其仍存在选择得到的见证人节点无法满足多数投票节点意愿、投票结果易被恶意节点操纵的问题,影响了DPoS的公平性与安全性.为此,本文将投票节点偏好的一致性作为选择见证人节点的指标,提出一种基于Kendall tau距离的DPoS记账权分配方法-DPoSKD (DPoS with Kendall tau distance).方法首先考虑到投票节点偏好不完整的问题,通过扩展Kendall tau距离定义以衡量不完整偏好间的一致性程度,然后将记账权分配过程建模为一个寻找与所有投票节点偏好一致性最大化的Top-k候选节点排列最优化问题,最后通过遗传算法来求解该优化问题,得到的Top-k候选节点作为见证人节点负责出块.实验结果表明通过该方法选择的见证人节点符合多数投票节点的意愿,提高了DPoS的公平性.同时,该方法具备更强的抗操纵性能,提升了DPoS的安全性.
传统基于孪生网络的视觉跟踪方法在训练时是通过从大量视频中提取成对帧并且在线下独立进行训练而成,缺乏对模型特征的更新,并且会忽略背景信息,在背景驳杂等复杂环境下跟踪精度较低.针对上述问题,提出了一种融合注意力机制的双路径孪生网络视觉跟踪算法.该算法主要包括特征提取器部分和特征融合部分.特征提取器部分对残差网络进行改进,设计了一种双路径网络模型;通过结合残差网络对前层特征的复用性和密集连接网络对新特征的提取,将2种网络拼接后用于特征提取;同时采用膨胀卷积代替传统卷积方式,在保持一定感受视野的情况下提高了分辨率.这种双路径特征提取方式可以隐式地更新模型特征,获得更准确的图像特征信息.特征融合部分引入注意力机制,对特征图不同部分分配权重.通道域上筛选出有价值的目标图像信息,增强通道间的相互依赖;空间域上则更加关注局部重要信息,学习更丰富的上下文联系,有效地提高了目标跟踪的精度.为证明该方法的有效性,在OTB100和VOT2016数据集上进行验证,分别使用精确率(Precision)、成功率(Success rate)和平均重叠期望(Expect average overlaprate,EAO)作为评价标准.结果显示,本文算法的精确率、成功率和平均重叠期望分别为0.868、0.641和0.350;相比基准模型分别提高了5.1％、2.0％和0.9％.结果证明本文算法充分利用了不同网络的优点,在保证模型精度的同时,能够较好地适应目标外观的变化,降低相似物的干扰,取得更稳定的跟踪效果.
暂无评论