检索结果-内蒙古大学图书馆

计算机应用研究 2019年第3期36卷 801-806页

作者：邓欣高峰星米建勋李丹妮王进唐云重庆邮电大学计算机科学与技术学院重庆400065 重庆邮电大学数据工程与可视计算重点实验室重庆400065

计算机对人类情绪与情感的识别研究已经成为了脑机接口领域的研究热点。通过分析人类在生活中的各种情感状态,提取脑电信号的特征并对情感状态进行识别、分类是情感智能化领域的重要方向。针对基于音乐视频诱导的情感数据集DEAP进行了研... 详细信息

计算机对人类情绪与情感的识别研究已经成为了脑机接口领域的研究热点。通过分析人类在生活中的各种情感状态,提取脑电信号的特征并对情感状态进行识别、分类是情感智能化领域的重要方向。针对基于音乐视频诱导的情感数据集DEAP进行了研究,提取脑电信号的频域特征后,提出了采用加速近邻梯度(APG)算法和正交匹配(OMP)算法求解稀疏编码的稀疏表示分类模型进行情感分类,并与支持向量机(SVM)算法进行效果比较。实验结果表明,APG算法通过l1范数正则近似求解以其快速的收敛速度在情感数据集上有着较好的分类表现,而OMP算法与SVM算法的分类效果相差无几,实现了情感脑电信号的分类。

关键词：脑电信号稀疏表示情感加速近邻算法正交匹配算法

来源：评论

学校读者我要写书评

暂无评论

增强型注意力网络点击通过率预估方法

引用

重庆邮电大学学报（自然科学版） 2023年第1期35卷 147-155页

作者：陈乔松胡高浩曹宏剑王子权孙开伟邓欣王进重庆邮电大学计算机科学与技术学院重庆400065 重庆邮电大学数据工程与可视计算重点实验室重庆400065

针对以往模型在对点击通过率(click-through rate,CTR)进行建模预测时,存在着特征重要性学习不足、特征交互低效等问题,提出了一种增强型注意力网络预估模型,用于动态学习特征重要性和特征交互信息,模型主要由注意力层、双线性交互层和... 详细信息

针对以往模型在对点击通过率(click-through rate,CTR)进行建模预测时,存在着特征重要性学习不足、特征交互低效等问题,提出了一种增强型注意力网络预估模型,用于动态学习特征重要性和特征交互信息,模型主要由注意力层、双线性交互层和全连接神经网络层构成。注意力层的多尺度多头自注意力机制通过设置不同尺寸子空间增强特征重要性学习能力,在得到特征重要性后,进一步采用张量积双线性交互学习特征交互信息。通过对注意力的子空间尺寸大小、张量积交互形式、神经网络层数和节点个数等进行定量分析,确定模型的最佳参数。实验证明,该模型相比已有模型拥有更好的预测能力。

关键词：点击通过率注意力双线性交互神经网络增强型注意力网络

来源：评论

学校读者我要写书评

暂无评论

基于流模型的荧光图像超分辨率

引用

中国激光 2024年第15期51卷 27-37页

作者：范骏超苗芸芸毕秀丽肖斌黄小帅重庆邮电大学计算机科学与技术学院重庆市图像认知重点实验室重庆400065 北京大学跨学部生物医学工程系北京100191

荧光图像超分辨率方法可以将低分辨率荧光图像重建为超分辨率图像。近几年来,基于深度学习的方法通过学习配对的高/低分辨率图像间的映射函数,取得了较好性能。然而,一幅低分辨率荧光图像可能由不同的超分辨图像退化而来,这使得荧光图... 详细信息

荧光图像超分辨率方法可以将低分辨率荧光图像重建为超分辨率图像。近几年来,基于深度学习的方法通过学习配对的高/低分辨率图像间的映射函数,取得了较好性能。然而,一幅低分辨率荧光图像可能由不同的超分辨图像退化而来,这使得荧光图像超分辨率任务属于欠定问题。现有的深度学习方法通常学习一个确定性的映射函数,而忽略了超分辨率任务的欠定特征。针对这一问题,提出了一种基于流模型的荧光图像超分辨率方法。该方法在给定低分辨率图像的条件下,可以重建出一系列超分辨率图像的分布,更符合超分辨率任务的欠定性质。此外,进一步提出了频域-空域联合注意力模块,用于提取荧光图像的潜在特征,使网络能够充分利用数据在时间和空间上的先验分布,从而获得更准确的图像重建结果。实验结果表明,此方法重建图像的感知指标和重建效果均有所提升。

关键词：深度学习超分辨率流模型重建

来源：评论

学校读者我要写书评

暂无评论

基于边缘优化和全局建模的多路径语义分割

引用

计算机科学 2023年第S01期50卷 421-427页

作者：陈乔松张羽蒲柳谭冲冲邓欣王进孙开伟欧阳卫华重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室重庆400065 重庆邮电大学自动化学院重庆400065

目前的语义分割卷积网络中,空间信息和细节信息随着卷积层的加深而逐渐丢失,造成物体边界和细小物体的分割效果不准确。同时,卷积的局部特征能力限制了网络获取有效的全局建模能力,造成物体内部分割混淆。针对这些问题,文中设计了基于... 详细信息

目前的语义分割卷积网络中,空间信息和细节信息随着卷积层的加深而逐渐丢失,造成物体边界和细小物体的分割效果不准确。同时,卷积的局部特征能力限制了网络获取有效的全局建模能力,造成物体内部分割混淆。针对这些问题,文中设计了基于边缘优化和全局建模的多路径语义分割算法。该算法提出了多路径邻近错位融合的网络,4条不同的分辨率路径邻近之间细节信息融会,高分辨率路径尾部与低分辨率路径首部间的语义信息交融,以此减少空间信息和细节信息的丢失。文中提出了自适应边缘特征模块得到边缘特征,融入网络中间层和深度监督层,增强边缘特征的表达能力和细小物体的分割效果,提出了Transformer全局特征模块,采用不同卷积进行下采样操作,缩短自注意力序列的长度,再融合通道信息与自注意力信息,从而获取有效的高层语义的全局信息。实验结果表明,在CamVid测试集和Cityscapes验证集上mIoU值分别达到76.2%和79.1%。

关键词：语义分割多路径边缘优化深度监督全局建模

来源：评论

学校读者我要写书评

暂无评论

一种基于增量式超网络的多标签分类方法

引用

重庆邮电大学学报（自然科学版） 2019年第4期31卷 538-549页

作者：王进陈知良李航李智星卜亚楠陈乔松邓欣重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室重庆400065 重庆邮电大学软件工程学院重庆400065

在层次多标签分类问题中,一个样本同时被赋予多个类别标签,并且这些类别标签被组织成一定的层次结构。层次多标签分类问题的主要挑战在于:①分类方法的输出必须符合标签的层次结构约束;②层次深的节点所代表的标签往往只有很少的样本与... 详细信息

在层次多标签分类问题中,一个样本同时被赋予多个类别标签,并且这些类别标签被组织成一定的层次结构。层次多标签分类问题的主要挑战在于:①分类方法的输出必须符合标签的层次结构约束;②层次深的节点所代表的标签往往只有很少的样本与之相关,造成标签不平衡的问题。提出一种用于层次多标签分类问题的增量式超网络学习方法(hierarchical multi-label classification using incremental hypernetwork,HMC-IMLHN),通过将超网络的超边组织成相应的层次结构,使输出的预测标签能够满足标签的层次约束。此外,超网络学习方法可以利用标签之间的关联减少标签不平衡问题对分类性能的影响。实验结果表明,与其他层次多标签分类方法相比,提出的增量式超网络方法能够取得较好的分类准确性。

关键词：多标签分类层次多标签分类不平衡分类超网络

来源：评论

学校读者我要写书评

暂无评论

基于多边形特征池化与融合的复杂文本检测

引用

西安电子科技大学学报 2024年第3期51卷 113-123页

作者：张相南高新波田春娜西安电子科技大学电子工程学院陕西西安710071 重庆邮电大学计算机科学与技术学院图像认知重庆市重点实验室重庆400065

文本检测在图像理解中发挥着重要的作用。基于深度学习的文本检测是当前的主流算法,包括单阶段方法和双阶段方法两类,而且后者的检测精度往往高于前者。双阶段的检测方法通常包含感兴趣区域特征池化操作,为进一步的检测和识别任务提供... 详细信息

文本检测在图像理解中发挥着重要的作用。基于深度学习的文本检测是当前的主流算法,包括单阶段方法和双阶段方法两类,而且后者的检测精度往往高于前者。双阶段的检测方法通常包含感兴趣区域特征池化操作,为进一步的检测和识别任务提供特定维度的局部区域特征。然而对于弯曲文本等复杂文本区域来说,现有的基于矩形感兴趣区域的池化方法不再适用,而基于点特征替代区域特征的方法又损失了空间信息。针对该问题,提出了一种基于多边形特征池化和Transformer的复杂文本区域检测方法。首先,将复杂文本区域检测中感兴趣区域进行多边形特征池化,将池化操作的区域形状从矩形拓展到多边形并且不需要借助其他形状进行拟合,即可将多边形区域对应的特征池化为固定维度的特征序列,避免了拟合过程中出现误差。进而,将池化后的特征视为具有空间关系的序列,然后利用Transformer融合视觉特征之间的上下文关系,降低训练难度,提升检测精确度。在包含弯曲文本等复杂文本情况的ICDAR2015、MLT、Total Text和CTW1500数据集上的测试实验结果表明,提出的双阶段检测算法能更好地提取感兴趣区域特征,并取得了比现有方法更好的检测结果。

关键词：文本检测双阶段方法多边形特征池化 Transformer

来源：评论

学校读者我要写书评

暂无评论

边界加权的甲状腺癌病理图像细胞核分割方法

引用

西安电子科技大学学报 2023年第5期50卷 75-86页

作者：韩冰高路高新波陈玮铭西安电子科技大学电子工程学院陕西西安710071 重庆邮电大学计算机科学与技术学院图像认知重庆市重点实验室重庆400065

甲状腺癌是实体癌中发病率增速最快的恶性肿瘤之一,病理学诊断是医生诊断肿瘤的黄金标准,而细胞核分割是病理图像自动分析的关键步骤。针对细胞核分割中细胞核边界位置难以分割问题,设计了边界加权模块使网络在训练时更多关注细胞核边... 详细信息

甲状腺癌是实体癌中发病率增速最快的恶性肿瘤之一,病理学诊断是医生诊断肿瘤的黄金标准,而细胞核分割是病理图像自动分析的关键步骤。针对细胞核分割中细胞核边界位置难以分割问题,设计了边界加权模块使网络在训练时更多关注细胞核边界。另一方面,为了避免网络过分关注边界而忽视细胞核主体部分,导致一些染色较浅的细胞核分割失败,提出了前景增强分割网络;该网络通过在上采样的过程中添加前景增强模块不断增强前景并抑制背景,从而实现细胞核精准分割。在自建的甲状腺癌病理图像分割数据集VIP-TCHis-Seg上的相似系数(Dice)和像素准确率(PA)两个指标分别约为85.26%和95.89%,在公共细胞核分割数据集MoNuSeg上的相似系数(Dice)和像素准确率(PA)两个指标分别约为81.03%和94.63%。上述实验结果表明,提出的边界加权和前景增强模块的方法能有效提高网络在边界处的分割准确率。

关键词：甲状腺乳头状癌图像分割 UNet 边界加权前景增强

来源：评论

学校读者我要写书评

暂无评论

用于微阵列数据癌症分类的演化硬件多分类器

引用

江苏大学学报（自然科学版） 2013年第4期34卷 410-415页

作者：王进陈文冉仟元李钟浩重庆邮电大学计算机科学与技术学院重庆400065 重庆邮电大学计算智能重庆市重点实验室重庆400065 仁荷大学信息与通信工程系韩国仁川402-751

针对单分类器识别率低、稳定性差的问题,提出了一种用于微阵列数据分类的演化硬件多分类器选择性集成方法.首先把经过预处理的原始训练集随机划分为训练集和验证集;然后通过对训练集的学习获得基于演化硬件的基分类器;再用验证集评价基... 详细信息

针对单分类器识别率低、稳定性差的问题,提出了一种用于微阵列数据分类的演化硬件多分类器选择性集成方法.首先把经过预处理的原始训练集随机划分为训练集和验证集;然后通过对训练集的学习获得基于演化硬件的基分类器;再用验证集评价基分类器的性能,选择其中一部分较好的基分类器组成最终的分类系统;最后用独立的测试集验证系统的性能.试验结果表明,对急性白血病和结肠癌数据集的识别率分别为95.42%、88.33%,与其他的模式识别方法具有可比性;同时在识别率相当的情况下,该方法的硬件代价远低于全集成的演化硬件多分类器.

关键词：模式识别机器学习演化计算分类器选择性集成微阵列

来源：评论

学校读者我要写书评

暂无评论

基于预训练技术和专家知识的重入漏洞检测

引用

计算机科学 2022年第S02期49卷 713-720页

作者：陈乔松何小阳许文杰邓欣王进朴昌浩重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室重庆400065 重庆邮电大学自动化学院智慧能源技术研究中心重庆400065

随着区块链中智能合约的安全问题日益突出,智能合约的漏洞检测任务逐渐成为研究的热点。然而,目前的智能合约重入漏洞检测技术主要是符号执行、静态分析、形式化验证和模糊测试等传统的检测方法,这些检测方法不仅存在较高的误报率和漏报... 详细信息

随着区块链中智能合约的安全问题日益突出,智能合约的漏洞检测任务逐渐成为研究的热点。然而,目前的智能合约重入漏洞检测技术主要是符号执行、静态分析、形式化验证和模糊测试等传统的检测方法,这些检测方法不仅存在较高的误报率和漏报率,而且检测精度较低。同时,基于深度学习的方法也有其独特的局限性。针对这些问题,文中提出了一种将预训练技术与传统的专家知识相融合的检测方法,同时将智能合约进行切片处理,以此减小无关数据对模型的影响。文中聚焦于重入漏洞的检测,在203716份合约数据集上进行实验。实验结果表明,基于预训练技术和专家知识的智能合约重入漏洞检测方法具有96.2%的精确率、97.7%的召回率以及96.9%的F1分数,检测效果均优于现有的检测方法。

关键词：区块链智能合约漏洞检测预训练技术专家知识

来源：评论

学校读者我要写书评

暂无评论

FedSharing:一种双区块链激励驱动的数据分享联邦学习框架

引用

计算机应用研究 2023年第1期40卷 33-41页

作者：陈乔松许文杰何小阳丁小月孙开伟邓欣王进重庆邮电大学计算机科学与技术学院数据工程与可视计算重庆市重点实验室重庆400065 重庆邮电大学自动化学院/工业互联网学院智慧能源技术研究中心重庆400065

联邦学习(federated learning,FL)能够在不丢失数据所有权的同时依托隐私保护技术实现安全的分布式模型训练,但也具有中心化、缺乏公平激励等问题。区块链(blockchain)本质上是一种分布式数据库,具有去中心化、信任公证等特点,但也具有... 详细信息

联邦学习(federated learning,FL)能够在不丢失数据所有权的同时依托隐私保护技术实现安全的分布式模型训练,但也具有中心化、缺乏公平激励等问题。区块链(blockchain)本质上是一种分布式数据库,具有去中心化、信任公证等特点,但也具有网络吞吐量小、资源浪费等关键问题。针对上述技术方法的问题与特点,提出了一种双区块链激励驱动的数据分享联邦学习框架,称为FedSharing。分别构建主链与侧链,主链使用交易封装联邦学习中交换的全局参数,同时结合链上智能合约和链下扩容技术建立梯度状态通道;侧链提出了一种新型的修正Shapley值工作量证明算法(PoFS),修正传统Shapley值计算中成员平等性前提,将联邦学习中成员合作历史诚信度这一影响联盟利益的因素纳入考量。测试结果表明,梯度状态通道较智能合约去中心化方案每轮次时间平均降低4~5 s,PoFS共识下激励分配比例更符合公平实际。

关键词：联邦学习区块链状态通道激励机制 Shapley值

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：