探析食品安全数据分类编码

食品安全数据分类编码不统一,是当前食品安全数据难以融合共享的最大障碍。当前亟需改变基于条块业务和监管权限所形成的封闭、孤立系统现状,建立一套符合中国特色的食品安全数据分类编码系统。随着信息技术蓬勃发展,与食品安全、营养、健康相关的数据得到了一定的积累。在信息共享阶段,应将这些数据转化为可分析利用的大数据,赋予数据以生命力,为政府决策、经济发展和科学研究提供技术支撑。实施食品安全数据分类编码标准化是实现食品安全数据跨界融合、形成大数据的必要前提。     

基于BERT-Att-biLSTM模型的医学信息分类研究

目前,对互联网上虚假健康信息的研究多集中于谣言识别,而对医学信息自动分类的研究较少。采用基于双向编码的语言表征模型和注意力增强的双向长短时记忆模型(BERT-Att-BiLSTM模型),对健康信息文本进行分类,实现自动识别虚假健康信息。实验结果表明,BERT-Att-BiLSTM模型可以高效地对医学信息进行分类,其中BERT模型相较于BiLSTM模型,性能提升明显;与融合Word2Vec的BiLSTM模型相比,BERT-Att-BiLSTM模型效果更佳。     

基于多层次判别器的图像翻译模型

图像翻译是一类重要的视觉问题,其目标是学习两个视觉域之间的映射,同时保持原始结构或语义。图像翻译研究领域主要存在两个难点,一是缺少配对的图片训练集;二是很难由单个输入产生多种输出。基于解表示的图像翻译模型(DRIT)虽然同时解决这两个难点,但输出的结果显示仍然存在生成图像质量不佳的问题。造成输出质量不佳的一个原因是由于从判别器到生成器的梯度反向传播过程较长,使得训练初期生成器的梯度所包含信息量较少。在DRIT模型研究基础上,本文提出了一种基于多层次判别的多目标图像翻译模型,一定程度上解决了生成图像质量不佳的问题。我们的数值实验结果也表明了本文提出的多层次判别结构对输出质量的提高具有一定的帮助。     

面向舰船目标检测的单通道复值SAR图像统计建模方法研究

合成孔径雷达(SAR)成像模式丰富、覆盖范围广、分辨率高，可以长期、动态、宏观地对海洋进行监测。在完全发展的相干斑假设条件下，传统单通道SAR图像舰船目标检测方法主要研究幅度信息。然而，其部分假设条件在高分辨率情形下并非严格成立，因此无法有效利用单通道SAR图像的相位或复值信息。该文面向舰船目标检测应用，将单通道复值SAR图像统计建模方法划分为幅度、相位和复值统计建模3个部分，首先简要综述了单通道SAR图像幅度统计建模方法，然后详细阐述了单通道SAR图像相位和复值统计建模方法，并重点介绍了其建模过程和参数估计方法。在此基础上，该文给出了作者研究小组在基于复值统计信息的单通道SAR图像舰船目标检测方面的部分最新研究结果，并分析展望了下一步研究方向。      

基于Faster R-CNN的颜色导向火焰检测

基于深度特征的目标检测方法Faster R-CNN在火焰检测任务上存在检测效率低的问题,因此提出了基于颜色引导的抛锚策略。该策略设计火焰颜色模型来限制锚的生成,即利用火焰颜色约束锚的生成区域,从而减少了初始锚的数量,提升了计算效率。为了进一步提高网络的计算效率,将区域生成网络中的卷积层替换成掩膜卷积。为了验证所提方法的检测效果,采用BoWFire和Corsician数据集进行验证。实验结果表明,该方法实际检测速度相较于原Faster R-CNN提高了10.1%,BoWFire上该方法的火焰检测F值为0.87,Corsician上该方法的准确度可达99.33%。所提方法可以提高火焰检测的效率,并能够准确检测图像中的火焰。