1 内蒙古科技大学信息工程学院，内蒙古自治区包头 014010
2 内蒙古工业大学信息工程学院，内蒙古自治区呼和浩特 010051
3 内蒙古自治区模式识别与智能图像处理重点实验室，内蒙古自治区包头 014010
传统无监督域自适应行人重识别算法，抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题，提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声，利用并行网络的预测值作为软标签，通过交叉校对方式对伪标签噪声进行纠偏，为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力，利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理，实现源域数据到目标域的风格转换，并结合实例和批量归一化网络解决残差网络域自适应性差的问题，增强网络对源域和目标域的泛化能力。实验结果表明，所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能，明显优于相关算法。
光计算 软伪标签 多尺度特征重构 哈达玛积特征融合 实例和批量归一化网络 行人重识别 激光与光电子学进展
2022, 59(24): 2420001
1 西安工业大学 计算机科学与工程学院, 西安 710021
2 常州大学 信息科学与工程学院, 江苏 常州 213164
3 西北大学 附属医院/西安市第三医院 国际医疗部, 西安 710000
针对目前传统方法脑肿瘤检测准确率低的问题, 提出一种基于深度学习的三维脑肿瘤检测方法.首先将不同模态的脑肿瘤磁共振成像影像进行融合, 获取不同模态下的脑肿瘤病灶三维空间特征; 然后在卷积层和池化层之间增加实列归一化层, 提高网络的收敛速度, 缓解过拟合的问题; 并对损失函数进行改进, 采用加权损失函数加强对病灶区域的特征学习; 最后结合后处理方法解决假阳脑肿瘤病灶多的问题.实验结果表明：提出的脑肿瘤检测方法可有效进行肿瘤病灶定位; 相关性系数、敏感性和特异性三种评价指标分别达到了0.926 7、0.928 1和0.997 7, 与二维检测网络相比, 提高了4.6%、3.96%和0.04%, 较初始的单模态脑肿瘤检测方法提升了13.2%、10.42%和0.12%.
磁共振 脑肿瘤检测 多模态融合 实列归一化 加权损失函数 Magnetic resonance Brain tumor detection Multi modal fusion Instance normalization Weighted loss function
