垃圾分类是保护环境,提高资源利用率的有效措施。近年来,深度学习以其引入强大的建模能力在各个领域都有成功的表现,利用深度学习进行垃圾分类也成为一个新兴方向。垃圾分类数据集大多存在类别图片数量不均衡(长尾分布)的问题。针对垃圾分类中的长尾数据集TrashNet,提出了一种基于因果推理分类方法。该方法通过引入因果推理找出由输入样本引起的直接因果效应,缓解了TrashNet数据集的长尾问题。在训练中采用了迁移学习的方法,减少了训练参数量,并在其中使用了因果干预与反事实推理,进行了去混淆训练。对所提出的方法进行了类激活图(Class Activation Map)验证,实验结果表明,所提出的模型有较好的特征提取能力。模型对TrashNet数据集中的尾部类有较优的识别效果,并在其上取得了94.23%的最好精度。

对故障检测来说,预测比诊断更能降低故障对系统造成的损失,但即使大多数的故障事件串是可预测的,只要有一个故障事件串是不可预测只能诊断的,整个系统就是不可预测的,只能用诊断的方法处理,这对大多数的故障事件串是不利的。为此,提出了弱可预测性的概念。弱可预测性是对系统未来是否一定会处于故障状态这一情况的预测。相比可预测性,弱可预测性不要求所有故障事件串都是可预测的。对可预测的故障事件串,弱可预测性能够在故障发生之前发出警报,而对不可预测只能诊断的故障事件串,其也能在故障发生之后发出警报。文中构造了证明器来测试系统的弱可预测性,并基于这个证明器给出了测试系统弱可预测性的多项式复杂度的算法,给出了弱可预测性的充分必要条件。

针对装备采购,建立了以采购方、承包商为主体的双方采购模型和以采购方、主承包商、分承包商为主体的三方采购模型。基于动态演化博弈理论,分析了两种采购模型下各主体的策略选择及博弈均衡,运用AnyLogic动态模拟博弈演化过程并进行数值仿真分析。双方博弈模型中,承包商的演化均衡策略为不积极履行合同;而三方博弈模型可通过适当设计,使得主承包商积极履行合同,从而更好地保证质量。故采购方在进行采购模式选择时,选择采购方、主承包和分承包商的模式更有利,并且需要合理设置监管正确率、合同罚金、抽查率等条款。

医学影像的灰阶变化小,分割目标与背景不易区分,因此,进行影像分割是充满挑战性的问题。现有网络模型大多将高频的分割边缘与低频的主体部分统一学习,忽视了高频与低频信息的差异性和两者在图像中占比不同的差别。针对这一问题,提出了基于边缘引导的多尺度卷积神经网络Edge Guided V-Shape Network(EGV-Net),从低频分割主体和高频分割边缘两个特征角度进行针对性学习。其中,低频特征通过编码-解码方式进行特征传递,学习分割目标的主体部分;高频特征则通过边缘提取方法,首先将高频语义信息从分割图谱中提取出来,再将分割边缘过滤分离。高频边缘通过边缘引导模块指导模型对低频特征做出精准的分割,并恢复边缘细节精度。在肝脏影像与ISIC2016数据集上进行的实验结果表明,所提算法对整体分割的把控能力更强,在边缘细节处有更好的分割效果,优于其他模型。

基于神经网络的声源定位近年来受到广泛的关注,但如何缓解隐含DOA位置信息丢失、小样本数据等问题仍然是目前面临的挑战,因此提出了一种基于GRU和自注意力网络的声源到达方向估计方法。该方法采用对小型数据集效果较好的GRU作为骨干网络,弥补了纯净的声音数据采集困难的问题;同时,该方法使用多声道录音的声源形成训练集,经过短时傅里叶变换特征提取得到梅尔频谱图和声学强度矢量,进而形成由多通道语谱图以及归一化的主特征向量叠加的输入特征,避免了对语谱图与GCC-PHAT特征结合的隐式DOA信息的破坏,有效缓解了隐含DOA位置信息丢失问题;将其作为输入进入卷积循环神经网络模型进行监督学习获得模型参数。模型输出使用三维笛卡尔积坐标回归获得DOA位置估计,并增加自注意力网络在模型训练时进行参数回传,使得网络在训练的同时计算损失并预测关联矩阵,以解决预测定位和参考定位之间的最优分配。实验结果表明,该网络在不同混响条件和信噪比的环境下,均具有较高的定位准确率和鲁棒性。

为了快速摸清农村乱占耕地建房底数,实现对侵占耕地房屋的检测,提出了一种统一注意力融合网络(Unified Attention Fusion Network)用于农村占用耕地建房识别。为了解决不同时相遥感影像特征相互影响的问题,首先使用孪生网络代替VGG16网络进行特征提取。其次,为了在增大网络感受野并获取更多多尺度信息的前提下减小网络模型大小,在编码阶段最底层使用了简易金字塔池化(Simple Pyramid Pooling Module,SPPM);在解码阶段,为了提高分割精度,突出有用特征,提高边缘分割精度,使用统一注意力融合模块(Unified Attention Fusion Module,UAFM)替换原始的上采样部分进行解码,获取变化检测结果。网络在占用耕地建房数据集上进行了训练和测试。实验结果表明,统一注意力融合网络在测试集上准确率(Accuracy)达到98.82%、精确率(Precision)达到89.69%、召回率(Recall)达到82.14%、F1分数(F1 Score)达到85.74%,能够快速识别不同尺度的疑似占用耕地的违建房屋,为农村乱占耕地建房整治工作提供一种技术检测方法。

抑郁症作为一类常见的、可治愈型的精神类疾病,若能在早期阶段对其进行有效筛查(即早期筛查)并及时采取相应的治疗手段,则可有效控制病情的进一步加重,甚至彻底治愈。传统的抑郁症诊断方法主要是医生通过患者的临床表现及临床检查(主要为诊断量表)进行综合判断,但诊断结果的准确与否严重依赖于医生的临床经验以及患者的高度配合。同时,由于抑郁症早期患者往往缺乏明显的病症表征,也极大增加了漏诊误诊的可能性。相关研究表明,脑电图(Electroencephalogram,EEG)能够反应受试者的精神状态,这为抑郁症的早期筛查提供了一种有效途径。基于此,以EEG信号为数据源,提出了一种基于EEG信号与深度学习的抑郁症早期筛查方法。首先,结合分段处理、频域转化等方法,对EEG信号进行时-频-空特征序列的提取;其次,基于所提特征序列与深度学习,构建了一种深度混合模型,通过训练模型完成正常人与轻度抑郁症患者的有效识别;最后,在公开数据集MODMA上验证所提方法的可行性与有效性。实验结果显示,早期筛查准确率为82.64%,召回率为78.42%,灵敏度为75.37%。

脑肿瘤是一种严重威胁人类健康的疾病,脑肿瘤精确分割在临床诊疗中非常重要。由于脑肿瘤形状大小各异、位置不固定和边界模糊等,实现高精度脑肿瘤自动分割仍是一项具有挑战性的任务。近年来,U-Net凭借其简洁的架构和优秀的性能成为解决医学图像分割任务的主流模型,但其也存在局部感受野有限、空间信息丢失和未充分利用上下文信息等问题。为此,提出一种基于动态卷积和非局部注意力机制的级联U-Net新模型(CDAU-Net)用于脑肿瘤分割任务。首先,将两阶段级联三维U-Net作为主体架构,来重建更精细的高分辨率脑肿瘤空间信息;进而,在级联网络横向连接上添加期望最大化注意力,通过提高网络捕获长距离依赖能力来更好利用肿瘤上下文信息;最后,在级联网络中将普通卷积替换为具有局部自适应能力的动态卷积,可进一步增强网络局部特征捕获能力。在公开的BraTS2019-2020数据集上进行了大量实验并与其他代表性方法进行对比,实验结果表明了所提方法在脑肿瘤分割任务上的有效性。其中,在BraTS2019/2020验证集上获得的全部肿瘤、肿瘤核心和增强肿瘤分割Dice值分别为0.897/0.903,0.826/0.828和0.781/0.786,表现出了良好的脑肿瘤分割性能。

在医学图像领域,清晰的医学图像能够帮助医生更好地诊断疾病。然而,由于受到成像设备的限制,生成的医学图像往往分辨率较低并可能影响后期诊断。因此,使用超分辨率方法提高图像的分辨率显得尤为重要。近些年来,随着深度学习的发展,基于深度学习的自然图像超分辨率方法被广泛研究,并取得了一定效果。然而,不同于自然图像超分辨率,医学图像超分辨率往往是为下游医学任务服务。许多下游医学任务,例如疾病诊断、语义分割等等,往往会对某些区域感兴趣。但是传统图像超分辨率方法往往平等地对待图像中所有区域,没有考虑到感兴趣区域对于下游医学任务的重要性。针对此问题,提出了一种基于语义注意力的医学图像超分辨率方法。该注意力机制通过加权方式对图像中感兴趣区域进行额外关注,从而使得超分辨率图像更有助于下游医学任务。该方法在新冠肺炎数据集COVID_19和胃肠息肉数据集Kvasir-SEG上都取得了领先于其他主流超分辨率方法的效果。

为了解决低碳环境下受资金约束的供需双方融资难的问题,在“碳限额与交易机制”下,构建了以银行为主领导者、供应商为次领导者和碳排放依赖型制造商为跟随者的双层Stackelberg博弈模型。在随机需求情形下,研究了供应商的最优批发价格决策、制造商的最优订购决策和减排决策,以及银行的最优利率决策。通过理论和算例分析表明:当政府分配的排放上限较低时,会增加制造商的破产风险,具有有限责任能力的制造商会采取更加冒进的订购策略;为减少借款方的破产风险带来的损失,银行会加强对整个供应链运作的监管;供应商的自由资金越多,对制造商和整体供应链的绩效越有利。

医学显微图像分割在临床诊断和病理分析中具有重要应用价值。然而,由于显微图像具有形状、纹理、大小等复杂的视觉特征,因此要精确分割显微图像是一项困难的任务。文中提出了一种新的分割模型UMSTC,该模型基于U型结构,并通过将U-net模型和Swin Transformer模型进行融合来兼顾图像的细节特征和宏观特征,并保持建模完整性。具体来说,UMSTC模型的下采样部分采用Swin Transformer网络来优化其内含的注意力机制,以提取微观和宏观特征;上采样部分基于CNN网络反卷积操作,并通过残差机制接收和融合下采样阶段的特征图,以减小图像合成精度损失。实验结果表明,所提出的UMSTC分割模型比目前主流的医学图像语义分割模型具有更好的分割效果,其中mPA提高了约3％～5％,mIoU提高了约3％～8％,且分割结果具有更高的主观视觉质量和更少的噪点。因此,UMSTC模型在医学显微图像分割领域具有广泛的应用前景。

随着国家数字化建设的发展,社会治理的智能化、专业化也成为城市科技进步的基本要求,各政府系统须要对人民的诉求做到高效精确的处理。而从当前的各大政府门户网站的诉求通道收集的民众诉求信息,均是通过人工方式判断责任部门,然后将其手动分配给相关部门进行后续问题的核实和处理,大大限制了诉求处理的效率和准确性。而接诉即办智能派单算法利用人工智能和深度学习方法,基于真实的民众诉求信息数据进行训练,自动精准而高效地将诉求分派到相关部门进行后续审查处理,加快了政务处理流程的速度并大大降低了不必要的人力成本,因此该智能调度算法的研究有着重要意义。首先,通过数据去噪和脱敏,将数据进行层级拼接,构建数据标签和标准流程库以进行标签对齐。然后,基于公开数据集训练地址识别基线模型,在工单分类中提出基于类别比例采样的标签融合方法解决数据类不平衡问题,实验结果显示在基线模型的基础上提高了数十个百分点。最后,结合分类模型和地址识别模型,构建智能回复模板,完成接诉即办智能派单的全流程。

近年来,随着信息化、电子化技术在金融市场中快速发展,程序化交易成为了越来越多金融机构选择的交易方式,对证券期货市场的影响力也逐渐增强,已受到监管层及广大投资者的关注。文中基于模型融合的思想,构建了程序化交易投资者的识别模型,将专家规则与机器学习算法进行叠加融合,并在中国A股市场投资者交易数据上验证了模型的有效性。研究表明,模型能以超过90%的准确率和召回率识别出程序化交易投资者账户,超过了当下的前沿效果,相关研究成果可以为证券期货行业程序化交易识别相关的科技监管工作提供支持。

文中对二维多边形物体有意义剖分进行了研究。心理学家通过研究后发现对物体进行有意义的剖分是人类识别物体的一个重要过程。研究对二维多边形物体的剖分,对于图像识别具有重要意义。在进行图像识别时可首先提取图像中物体的边缘,并用封闭多边形表示。研究如何对该多边形进行有意义的剖分,是正确识别该图像中的物体很关键的一步。文中首先用谱分析结合K-均值的方法,对要剖分的多边形的顶点进行聚类,然后用计算多边形剖分线段适合度的方法,递归地在顶点类内部和顶点类之间选择最佳剖分线段,实验结果表明了该方法的有效性。该算法剖分结果和知名的人工剖分结果的定量分析比较表明,算法剖分结果符合人类思维,取得了较好的剖分结果。