期刊指标
提交
杂志简介
编辑焦点
特殊问题最新的文章
更多的文章
立体匹配算法基于对深学习综述
立体视觉是一个蓬勃发展的领域，受到许多研究者的关注。近年来，立体匹配算法凭借深度学习的发展，取得了远远超过传统方法的显著性能。本文综述了基于深度学习的立体匹配算法。为了方便起见，我们将算法分为三类:(1)非端到端学习算法，(2)端到端学习算法，(3)无监督学习算法。我们全面介绍了每个类别的显著方法，并分别总结了它们的优点、缺点和主要挑战。采用速度、精度和时间消耗比较不同的算法。
利用机器学习的结构MRI检测精神分裂症患者的异常脑区
利用神经成像和机器学习技术(ML)来区分精神分裂症(SZ)患者与正常对照组(NCs)，并检测精神分裂症患者的大脑异常区域，具有多方面的好处，可以为精神分裂症的临床诊断提供参考。在本研究中，我们使用来自SZ患者和NCs的结构磁共振图像(sMRIs)进行鉴别分析。本研究提出了一种基于粗到精特征选择的ML框架。该框架采用双样本结构Ť-首先进行组间差异提取测试，然后使用递归特征消除法(RFE)进一步剔除不相关和冗余的特征，最后使用支持向量机(SVM)学习具有所选灰质(GM)和白质(WM)特征的决策模型。以往的研究倾向于报告群体层面的差异，而不是个体层面的差异，因此不能广泛应用。该方法将诊断扩展到个体水平，具有较高的识别率。本研究的实验结果表明，该框架将SZ患者与NCs区分开来，最高分类准确率达85%以上。识别的生物标志物也与以前的文献发现一致。作为一种通用的方法，该框架可以扩展到其他疾病的诊断。
混合模糊聚类一种基于FCM和增强Logarithmical PSO（ELPSO）
模糊c均值(FCM)是一种最著名的自动组织各种数据集并获得精确分类的聚类方法，但它有陷入局部极小值的趋势。为克服这些缺点,一些方法,提出了杂交PSO和FCM聚类的文学,并证明这些混合的方法比传统的划分聚类方法有改进的精度,而PSO-based聚类方法有可怜的执行时间partitional集群技术相比,和当前的PSO算法需要优化的参数之前,他们能够找到好的解决方案。为此，本文提出了一种模糊聚类的混合算法FCM-ELPSO来解决这一问题。它将FCM与改进版的PSO(称为ELPSO)相结合，后者采用了一种新的增强对数惯性权重策略，以便在勘探和开发之间提供更好的平衡。该方法利用PBM(F)指标和目标函数值作为聚类有效性指标，对聚类效果进行评价。为了验证算法的有效性，我们进行了两类实验:PSO聚类和混合聚类。实验表明，该方法显著提高了算法的收敛速度和聚类效果。
提出了一种通过多尺度特征映射的跳跃连接来改进SSD的方法
SSD（单次MultiBox的探测器）是最好的目标检测算法之一，并能够实时提供高精度的物体检测性能。然而，SSD表示在小物体的检测性能相对较差，因为它的浅预测层，它负责检测的小物件，缺乏足够语义信息。为了克服这个问题，SKIPSSD，多尺度特征映射的一种新的跳跃连接的改进的SSD，在本文提出了增强的语义信息和所述预测层通过跳格地熔合高级别和低级别的特征映射的详细信息。对于融合方法中的细节，我们设计了两个特征融合模块和多个融合策略来改善SSD检测器的灵敏度和感知能力。在PASCAL VOC2007测试组实验结果表明，SKIPSSD显著提高了检测性能，优于许多国家的最先进的对象检测器。With an input size of 300 × 300, SKIPSSD achieves 79.0% mAP (mean average precision) at 38.7 FPS (frame per second) on a single 1080 GPU, 1.8% higher than the mAP of SSD while still keeping the real-time detection speed.
云计算中的作业调度使用改进的Harris Hawks优化和模拟退火算法
近年来，云计算技术引起了学术界和工业界的广泛关注。云计算的流行源于它能够通过web将核心基础设施、平台和应用程序等全球IT服务交付给云客户。此外，它还承诺提供随需应变服务，并提供新形式的定价方案。然而，云作业调度仍然是np完备的，并且由于资源动态性和随需应变的消费者应用程序需求等因素而变得更加复杂。为了填补这一空白，本文提出了一种改进的基于模拟退火(SA)的Harris hawks优化(HHO)算法，用于在云环境中调度作业。在HHOSA方法中，利用SA作为局部搜索算法，提高了标准HHO算法的收敛速度和求解质量。将HHOSA方法的性能与最先进的作业调度算法进行了比较，这些算法都是在CloudSim工具包中实现的。使用标准工作负载和合成工作负载来分析所提出的HHOSA算法的性能。结果表明，与标准HHO算法和其他已有的调度算法相比，HHOSA算法能显著降低作业调度问题的最大完工时间。当搜索空间变大时，收敛速度加快，适用于大规模调度问题。
从静息态闭眼脑电图中度颅脑损伤的检测
创伤性脑损伤（TBI）是，如果医疗救助已被推迟，可以带来严重后果的伤害之一。通常，计算机断层扫描（CT）或磁共振成像（MRI）的分析，以确定一个中等TBI患者的严重程度。然而，由于越来越多的TBI患者的这些天，采用CT扫描或MRI扫描到每一个潜在的病人不仅价格昂贵，而且费时。因此，在本文中，我们研究使用与计算智能脑电图（EEG）作为一种替代的方法来检测中度TBI患者的严重程度的可能性。脑电图过程比CT或MRI便宜得多。虽然与CT和MRI相比，脑电图不具有高空间分辨率，它具有很高的时间分辨率。使用常规的计算智能方法从EEG中等TBI的分析和预测是单调乏味的，因为它们通常涉及复杂的预处理，特征提取，或该信号的特征选择。因此，我们提出了一种方法，使用卷积神经网络（CNN）到自动分类健康受试者和中度TBI患者。输入这个计算智能系统是静息状态闭眼脑电，不经过预处理和特征选择。使用脑电图数据集包括15名健康志愿者和15名中度TBI患者，这是在医院马来西亚理科大学，吉兰丹，马来西亚收购。 The performance of the proposed method has been compared with four other existing methods. With the average classification accuracy of 72.46%, the proposed method outperforms the other four methods. This result indicates that the proposed method has the potential to be used as a preliminary screening for moderate TBI, for selection of the patients for further diagnosis and treatment planning.
