课程文献中心 更多>>

关键词： 图像重建   深度学习   生成对抗网络   扩散模型  

摘要： 稀疏CT图像重建对降低患者辐射剂量并促进影像诊断具有重要的临床意义。在基于深度学习的医学图像重建任务中,现有方法往往忽略了真实图像与重建图像之间的残差,造成重建图像错误结构的生成和细节的不足。生成对抗网络通过对抗学习快速重建全局内容和结构信息,而扩散模型通过稳定的训练重建出细节丰富的图像。为提高稀疏CT重建图像质量,提出一种联合生成对抗网络与扩散模型的残差细化重建网络(RRRNet)。该网络首先利用生成对抗网络作为初级生成器,捕捉图像的全局结构信息,然后通过扩散模型建模真实数据与初步预测之间的残差以修正初步预测。此外,在细化过程中还引入高频信息分离训练模块,以增强边缘和细节的恢复能力。在LIDC数据集上的实验结果表明,在4.50%的采样率下,RRRNet在SSIM、PSNR和MAE等量化指标的评估上分别达到了96.40%、40.76dB与32.49HU。相比基于生成对抗网络或扩散模型的方法,RRRNet提升了重建图像质量。

关键词： 跨媒体   播音主持   传统广播   网络直播   融合路径  

摘要： 本文通过文献分析、案例研究、对比分析与实地调查等方法,揭示跨媒体播音主持的理论基础、发展趋势及其对行业转型的影响。研究表明,传统广播与网络直播的融合是一个复杂而多维的过程,既面临挑战,也蕴藏着巨大的发展潜力。通过技术驱动和内容创新,广播可以与网络直播平台形成优势互补,推动行业的转型升级。未来,播音主持人将在数字化背景下扮演更加多元化的角色,成为融合传统媒体与新媒体之间的重要桥梁。通过提升互动性和个性化内容的创作,广播行业有望在激烈的市场竞争中找到新的生存和发展空间。

关键词： 技术多元化   持续创新   企业韧性   内部合作网络   外部合作网络  

摘要： 技术多元化是分散外部风险、增强企业韧性的有效途径。基于资源基础理论,以“资源—能力—结果”为理论逻辑,利用2010—2021年沪深A股新能源汽车企业数据,从双重网络视角引入内部合作网络密度和外部合作网络中心度,进一步探究技术多元化、持续创新与企业韧性间的深层关系机制。结果表明,技术多元化与企业韧性呈倒U型关系,持续创新在其中发挥中介作用;内部合作网络密度负向调节技术多元化与持续创新的关系;外部合作网络中心度能够缓解内部合作网络密度对总体技术多元化、非相关技术多元化与持续创新关系的负向调节效应。结论可为企业制定技术多元化战略、构建内外部合作网络以培育持续创新能力,进而在变局中行稳致远,实现韧性发展提供经验证据。

关键词： 航空运输   航班延误预测   图卷积神经网络   超图卷积神经网络   多图信息融合  

摘要： 针对现有航班延误预测模型中仅考虑机场之间空间拓扑结构的缺陷,提出一种基于多图信息融合的改进双动态时空图卷积网络航班延误预测模型。首先,根据航班延误传播的不同空间相关性,构建基于机场和航路的四种空间邻接矩阵,并进行多图融合提供更加全面空间特征信息;其次,将多图结构转换成超图刻画航班延误航线之间的空间相关性,利用门控时间卷积提取其时间序列相关性,利用超图卷积提取其空间相关性,并设计两种特征增强模块进一步避免部分点和边空间特征信息丢失现象。最后,以美国2009—2019年的50个机场之间航班延误预测为例,将本模型与五个主流基线模型进行对比,完成了消融实验。实验结果表明,相较于其他基线模型,该改进模型能够更好地在该问题上拟合实际情况。

关键词： 地震灾害   应急协作网络   网络结构   协作关系   凝聚子群   结构洞  

摘要： 为深入剖析二三级地震应急响应合作网络结构和协作机制特征,以2023年“12·18”积石山地震为例,运用社会网络分析法,从网络结构、组织关系和组织职能等方面,对应急协作网络展开系统分析。研究结果表明:积石山地震应急协作网络密度数值较低,组织间协作关系还不够紧密,表现为形成了8个凝聚子群,同级单位更倾向于聚类,具有相似职能属性的单位也更易形成凝聚子群;二三级响应的主体以省级部门为主,主要为省级指挥协调与应急救援功能结合的凝聚子群;国家层面单位形成的凝聚子群主要发挥协调支援作用,央企国企在此次应急中发挥了重要作用。未来,需要进一步打破当地政府与驻地央企国企的行政壁垒,建立完善的央地应急协同联动机制。

关键词： 抑郁症识别   时空图卷积   时空注意力  

摘要： 抑郁症已成为全球广泛流行的神经心理疾病,但传统的诊断手段因主观性影响,常导致较高的误诊率。鉴于此,开发一种更为客观且高效的抑郁症识别方法显得尤为重要。本研究构建了一种基于时空图卷积神经网络(ST-GCN)的脑电信号抑郁分类模型,将时间序列的脑电信号转化为脑拓扑图,捕捉大脑复杂的空间结构信息。同时,引入时空注意力机制,从时间和空间两个维度上有效提取关键信息。具体而言,时空图卷积神经网络结合了空间图卷积和时间卷积的优势,分别用于捕获脑电信号的空间布局特征和时间动态特性。实验结果显示,在公开的脑电数据集HUSM上,该模型的分类准确率、灵敏度以及特异度优于其他基线模型,充分验证了该模型在抑郁症识别方面的优越性能。Depression has become a globally widespread neuropsychiatric disorder, but traditional diagnostic methods, due to their subjectivity, often lead to a high rate of misdiagnosis. In light of this, developing a more objective and efficient depression recognition method is particularly important. This study proposes a depression classification model for electroencephalogram (EEG) signals based on Spatio-Temporal Graph Convolutional Neural Network (ST-GCN). This model converts the time series of EEG signals into brain topological graphs, thereby capturing the complex spatial structure information of the brain. Meanwhile, by introducing a spatio-temporal attention mechanism, the model can effectively extract key information from both temporal and spatial dimensions. Specifically, the ST-GCN combines the advantages of spatial graph convolution and temporal convolution, used to capture the spatial layout features and temporal dynamic characteristics of EEG signals, respectively. Experimental results show that on the public EEG dataset HUSM, the model’s classification accuracy, sensitivity, and specificity are superior to other baseline models, fully verifying the superior performance of this model in depression recognition.

关键词： 传感器   融合中心   量化   过滤  

摘要： 为提升线传感器网络整个系统的性能,已有的研究是通过有限个数的传感器节点,并且在具有最佳部署位置的传感器节点中传输测量值给融合中心(Fusion center,FC)。使用一种让多比特传输变成二比特随机传输的方法,借由量化区间,将传感器接收到的信号做量化,使用新的过滤数据方法,经由反复试验不断迭代的方式,以达到传送能量减少的目的。最后由模拟结果分析来验证方法的有效性。

关键词： 迁移学习   轻量级卷积神经网络   EfficientNet   皮肤病分类  

摘要： 针对目前皮肤病辅助分类技术所应用的网络模型参数量大、分类准确率不高的问题,提出了一种基于迁移学习的改进EfficientNet皮肤病分类方法。该方法应用迁移学习思想对轻量级深度卷积神经网络EfficientNet进行改进,具体包括添加全局平均池化层、冻结不同层数等对模型进行微调,形成TL-EfficientNet网络。实验结果表明,TL-EfficientNetB0在经类别权重预处理后的ISIC2018皮肤病数据集上的准确率达到85.07%,Macro_P达到0.82,网络参数只有4.49 M,适合部署到移动端。

关键词： 网络暴力   网络影响力   预防治理   预防性法律制度   数字法学  

摘要： 数字时代网络暴力的法律规制呈现出预防治理的全新面向。洞悉网民群体在数字化交往互动过程中频繁实施网络暴力的规律性因素,成为理解网络暴力预防治理的逻辑起点。引入网络影响力的分析视角可以发现,网络暴力表面上体现为“乌合之众”的自发聚集,实则受到自媒体片段化新闻的内容影响力吸引、大V等“意见领袖”情绪化发言的舆论影响力诱导以及网络平台流量化运营的媒介影响力刺激。网络暴力预防治理的法治角色并非直接限缩网民群体的言论自由,而是有效干预那些频繁诱导网民群体实施语言暴力的网络影响力因素。网络暴力规制的影响力范式需要强化自媒体新闻披露的主体责任,从源头削弱片段化新闻信息对网民群体的内容影响力;明确“意见领袖”的谨慎评价标准,阻断网络暴力通过“意见领袖”的舆论影响力节点大范围扩散;引导平台搭建争议事件讨论的健康议程设置,防范网络暴力信息在平台的媒介影响力中过度传播。

关键词： brain tumor   magnetic resonance imaging   deep learning   deep-convolutional neural network classifier   LOBO optimization  

摘要： The categorization of brain tumors is a significant issue for healthcare *** and timely identification of brain tumors is important for employing an effective treatment of this *** tumors possess high changes in terms of size,shape,and amount,and hence the classification process acts as a more difficult research *** paper suggests a deep learning model using the magnetic resonance imaging technique that overcomes the limitations associated with the existing classification *** effectiveness of the suggested method depends on the coyote optimization algorithm,also known as the LOBO algorithm,which optimizes the weights of the deep-convolutional neural network *** accuracy,sensitivity,and specificity indices,which are obtained to be 92.40%,94.15%,and 91.92%,respectively,are used to validate the effectiveness of the suggested *** result suggests that the suggested strategy is superior for effectively classifying brain tumors.