模拟退火算法中关键参数的研究

模拟退火算法是求解组合优化问题的一个有效方法,但算法中各个参数值的选择和设置对运行的结果和效果有较大影响。因此,本文主要是利用几个具体的TSP问题对算法中 的几个重要参数做比较研究,得出了一组比较有效的参数取值,为求解与TSP问题类似的其他问题奠定了有效的参数基础。     

基于卷积自编码生成式对抗网络的 高分辨率破损图像修复

目的 破损图像修复是一项具有挑战性的任务,其目的是根据破损图像中已知内容对破损区域进行填充。许多基于深度学习的破损图像修复方法对大面积破损的图像修复效果欠佳,且对高分辨率破损图像修复的研究也较少。对此,本文提出基于卷积自编码生成式对抗网络(convolutional auto-encoder generative adversarial network,CAE-GAN)的修复方法。方法 通过训练生成器学习从高斯噪声到低维特征矩阵的映射关系,再将生成器生成的特征矩阵升维成高分辨率图像,搜索与待修复图像完好部分相似的生成图像,并将对应部分覆盖到破损图像上,实现高分辨率破损图像的修复。结果 通过将学习难度较大的映射关系进行拆分,降低了单个映射关系的学习难度,提升了模型训练效果,在4个数据集上对不同破损程度的512×512×3高分辨率破损图像进行修复,结果表明,本文方法成功预测了大面积缺失区域的信息。与CE(context-encoders)方法相比,本文方法在破损面积大的图像上的修复效果提升显著,峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)值最高分别提升了31.6% 和18.0%,与DCGAN(deep convolutional generative adversarial network)方法相比,本文方法修复的图像内容符合度更高,破损区域修复结果更加清晰,PSNR和SSIM值最高分别提升了24.4% 和50.0%。结论 本文方法更适用于大面积破损图像与高分辨率图像的修复工作。     

模糊数据挖掘技术及其在员工绩效考核中的应用

随着人力资源研究的深入,从数据库中挖掘有用的信息和有帮助的知识,已经成为一个重要的研究领域.本文使用了模糊数据挖掘算法对企业员工绩效考核,掌握了企业员工的构成,对新员工绩效进行预测.     

梯度优化决策树的集成学习及其应用

集成学习通过构建具有一定互补功能的多个分类器来完成学习任务,以减少分类误差。但是当前研究未能考虑分类器的局部有效性。为此,在基于集成学习的框架下,提出了一个分层结构的多分类算法。该算法按预测类别分解问题,在分层的基础上,集成多个分类器以提高分类准确度。在美国某高校招生录取这一个实际应用的数据集及3个UCI数据集上进行实验,实验结果验证了该算法的有效性。     

融合残差注意力机制的UNet视盘分割

目的 青光眼和病理性近视等会对人的视力造成不可逆的损害,早期的眼科疾病诊断能够大大降低发病率。由于眼底图像的复杂性,视盘分割很容易受到血管和病变等区域的影响,导致传统方法不能精确地分割出视盘。针对这一问题,提出了一种基于深度学习的视盘分割方法RA-UNet（residual attention UNet）,提高了视盘分割精度,实现了自动、端到端的分割。方法 在原始UNet基础上进行了改进。使用融合注意力机制的ResNet34作为下采样层来增强图像特征提取能力,加载预训练权重,有助于解决训练样本少导致的过拟合问题。注意力机制可以引入全局上下文信息,增强有用特征并抑制无用特征响应。修改UNet的上采样层,降低模型参数量,帮助模型训练。对网络输出的分割图进行后处理,消除错误样本。同时,使用DiceLoss损失函数替代普通的交叉熵损失函数来优化网络参数。结果 在4个数据集上分别与其他方法进行比较,在RIM-ONE（retinal image database for optic nerve evaluation）-R1数据集中,F分数和重叠率分别为0.957 4和0.918 2,比UNet分别提高了2.89%和5.17%;在RIM-ONE-R3数据集中,F分数和重叠率分别为0.969和0.939 8,比UNet分别提高了1.5%和2.78%;在Drishti-GS1数据集中,F分数和重叠率分别为0.966 2和0.934 5,比UNet分别提高了1.65%和3.04%;在iChallenge-PM病理性近视挑战赛数据集中,F分数和重叠率分别为0.942 4和0.891 1,分别比UNet提高了3.59%和6.22%。同时还在RIM-ONE-R1和Drishti-GS1中进行了消融实验,验证了改进算法中各个模块均有助于提升视盘分割效果。结论 提出的RA-UNet,提升了视盘分割精度,对有病变区域的图像也有良好的视盘分割性能,同时具有良好的泛化性能。     

融合纹理信息的SLIC算法在医学图像中的研究

随着超像素算法的发展，SLIC（Simple linear iterative clustering）由于时间复杂度低及良好的分割结果而被广泛关注.但是由于传统的SLIC算法并没有考虑到图像的纹理信息，故而对于纹理较复杂的图像分割效果略有不足.LBP（Local binary pattern）对于纹理的识别有着优秀的表现而且时间复杂度低，但是对于噪声的鲁棒性较差，并且会产生纹理偏移.因此，本文首先针对传统的LBP中存在的问题进行改进；然后将改进后的算法与SLIC结合，提出一种融合纹理信息的超像素算法——SLICT（Simple linear iterative clustering based on texture）.为验证分割效果，本文选取纹理较多的医学图像进行实验，采用心脏MRI数据库进行验证并与其他超像素算法进行对比.实验表明，SLICT在边缘召回率、欠分割错误率以及覆盖率上的综合表现优于其他算法.从分割结果上来看，SLICT不但能够更好地贴合图像边缘，而且对于连续区域的分割效果也较好，更适合纹理较复杂的图像.     

基于积分投影和差分投影的人眼定位

人脸识别是生物特征识别的重要组成部分,而人眼是人脸最突出的特征之一,眼睛定位成为人脸识别的关键环节。积分投影法是一种常用的人眼定位方法,但直接采用此方法进行人眼定位时,由于眉毛与眼睛距离较近,容易将眉毛的水平位置错误地判定为眼睛的水平位置,降低眼睛定位的准确率。所以,在人脸区域粗定位后,计算眼睛区域的水平积分投影时,增加了其在水平方向灰度变化频繁的特征,即差分投影法,最后将积分投影法与差分投影法相结合来实现人眼定位。该方法在ORL人脸库上经过测试,取得了约90.5%的定位准确率。实验结果表明,该方法可以更准确地定位人眼。