基于混合范式多任务学习的图像稀疏表示

受视觉表示和多任务学习的研究结果启发,发现传统模型约束项所获得的稀疏表示或过于冗余或过于严格要求信息共享,为寻找一种折中且更加有效的特征表示方法,提出基于混合范式多任务学习的图像稀疏表示学习框架。该框架以多特征的类别信息作为先决信息对特征进行组划分。选择L2,1和L1混合范式做约束惩罚函数约束,其中L2,1范式,在特征组内提取同种特征相关共享信息,L1范式在多特征组之间去相关,选择竞争性更强的特征种类。提出的学习框架不仅实现了多特征联合,而且充分考虑了不同特征之间的互补表示能力又消除了冗余。实验结果表明,由该框架学习得到的稀疏表示不仅可以达到稀疏要求,同时也实现了较好的分类性能,证明了混合范式算法对提取图像关键本质信息的有效性。     

基于背景辅助的高效人群计数多任务学习网络

在人群计数领域中,复杂背景干扰一直是一个具有挑战性的问题.现有研究通过引入注意力机制等方式弱化背景噪声对计数的影响.但是,随着研究的深入,人群计数网络规模不断扩大,影响了计算效率和实时应用.为了解决复杂背景问题并提高计数效率,该文提出了一个基于背景辅助的高效人群计数多任务学习网络(BAMTLNet).与现有网络不同,为了减少网络的参数量,只采用了VGG-16的前7层作为前端网络.在后端网络中,为了解决复杂背景问题,我们使用了两个高度相关的人群任务：(1)生成估计密度图主任务,采用3个普通卷积层生成密度图,通过积分获得单张图片的人数.(2)复杂背景分割辅助任务,采用3个特定的膨胀卷积层生成图片的背景分割图.两个任务直接连接在前端网络后,没有相互交叉.我们还设计了背景辅助多任务损失函数,通过硬参数共享的方式优化前端网络参数,向主任务传递复杂背景的高级语义信息并优化网络.该端到端人群计数多任务学习网络仅有10层卷积层,参数量小,实现了网络轻量化.在3个人群计数基准数据集上进行了实验,获得了令人满意的结果.     

基于多任务学习的高分辨率遥感影像建筑实例分割

针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性, 将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割, 在获取建筑物二分类结果的同时, 区分不同建筑物个体, 并选择Inria航空影像数据集对该方法进行验证。结果表明, 在高分辨率遥感影像的建筑物二分类提取方面, 基于Xception module改进的U-Net方法明显优于U-Net方法, 提取精度升高1.4%; 结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割, 而且可将二分类建筑物的提取精度提升约0.5%。     

基于多任务模型的乳腺癌病理图像分类

基于卷积神经网络提出了一种多任务模型将乳腺癌组织学图像分为良性与恶性及其子类.该模型是多任务模型,任务一将病理图像分为良性与恶性,任务二将图像分为良性与恶性的子类.模型总的损失函数是两个分类任务损失函数的加权和.该模型采用卷积层和全局平均池化层替代末端全连接层作为分类层,应用数据增强方法提升模型的性能.模型使用乳腺癌病...     

基于U-Net改进的青光眼眼底图像诊断算法

青光眼是造成不可逆性失明的主要原因之一,患病早期无明显症状,容易错失最佳治疗时间。因此,青光眼的早期诊断具有重要临床意义。杯盘比是临床上用于青光眼诊断的重要指标之一,大都由医生人工测量和计算,容易受到主观因素影响且费时费力。为解决此问题,提出了一种基于U-Net改进的眼底图像视盘视杯分割算法,采用固定卷积核数提出少量关键特征。实验表明,所提算法不仅保证了高质量的分割效果,并且具有训练时间少、参数量小、加轻量化的特点,改进后算法有助于青光眼早期筛查智能化应用的推广。     

基于多任务学习的口腔白斑与扁平苔藓的分割与识别

口腔白斑属于癌前病变或潜在的恶性疾患范畴,诊断意义尤为重要;口腔扁平苔藓是一种常见的口腔黏膜慢性炎性疾病。两种疾病的症状相似度高导致利用传统目标识别算法难以准确识别。为此,该文提出了一种基于多任务学习卷积神经网络的口腔斑纹类疾病的目标检测、分割与识别算法。该算法通过改进的Mask R-CNN网络提取口腔斑纹类疾病图像的高维特征,以检测出相关病变的具体位置和精准区域,并识别出病损的种类。算法的改进之处在于图像检测与识别的分支网络利用分割子网络的高维特征以关注病变区域的特征,提高了口腔白斑与扁平苔藓识别的准确性。实验表明,该文所提方法相对于现有传统识别方法和常见多任务学习方法具有更高的准确性和敏感性。     

多任务虹膜诊断专家系统的研究

根据虹膜诊断的特点，介绍了虹膜诊断专家系统的系统模型，知识及推理机制。     

基于集成学习的计算机辅助诊断青光眼算法研究

在青光眼诊断中,眼底照和光学相干断层扫描（OCT）是最主要的两种眼科检查手段。对于眼底照和OCT图像数据,首先设计基于专家知识的机器学习算法,提取杯盘比曲线和视神经纤维层厚度曲线的尺度和形态特征,进而提出一种基于Dempster-Shafer（DS）证据推论的多视图集成学习方法,利用支持向量机（SVM）和逻辑回归进行青光眼预测。在一个真实数据集合上,对所提方法的预测性能进行了评估实验,结果表明,本文算法与眼科专家出具的诊断结果高度一致,并且比已有算法有更好的敏感性、特异性和更高的预测准确率。     

基于多任务学习的微博流行度预测

以短文本内容发布为主要特点的微博,已经成为重要的信息传播媒介,预测微博流行度对舆情监测、企业营销、热点推送等都具有重要意义.当前对微博流行度预测的研究主要侧重于对所有用户的微博数据进行统一建模预测,鲜有研究考虑不同影响力用户之间的差异.而微博数据的分析显示标签、提及和微博长度等对微博流行度的影响会随发布者的影响力变化显示出明显差异,在流行度预测中充分考虑这些差异,有助于取得更好的预测结果.为此,在流行度预测中引入多任务学习(Multi-Task Learning,简称MTL),并结合SVM构建SVM+MTL模型,此模型通过同时考虑所有用户的共同特性和不同用户的具体特性来提高预测性能.此外,除了预测常用的用户属性和微博发布行为等特征外,还引入微博内容相似性这一新特征,该特征能明显提高预测准确率.基于微博数据的实验表明,SVM+MTL模型可以有效提高微博流行度预测性能.     

基于深度学习的图像语义分割研究进展

图像语义分割是对图像中的每个像素点进行分类,将图像中的前景和背景区分并且识别出每个前景的类别。随着深度学习技术的发展,传统图像语义分割方法在分割精度和分割速度上已经彻底被超越。针对深度学习图像语义分割方法研究现状进行综述,对近年来国内外基于深度学习图像语义分割方法主要思想、优缺点进行了分析和总结。提出了该领域目前存在的问题,对将来的发展进行总结和展望。     

基于多任务深度学习的文本情感原因分析

多任务学习利用不同任务之间的相似性辅助决策,与单任务学习相比,多任务学习能够利用更多的信息,从而可以弥补单任务学习信息利用不足的缺陷。本文选择NTCIR-ECA数据集中的中文和英文文本数据作为实验数据,以情感原因分析作为研究任务,提出了一种结合多任务学习和深度学习的模型MTDLM(multi-task deep learning model),实现不同语种下的情感原因分析。实验结果表明,在数据不平衡的情况下,MTDLM模型对英文语种的情感原因识别的最优F值为39%,优于单任务学习(F值为0)和传统基线模型(LR的F值为33%),从而验证了模型的有效性。     

基于情感轮和多任务卷积神经网络的图像情感分布学习

图像情感分布学习可以对多种情绪同时进行建模,但现有的模型缺乏有效的方法直接考虑情绪之间的相关性.针对这一问题,该文提出一种基于情感轮和多任务卷积神经网络(EW-MTCNN)的图像情感分布学习模型,通过先验知识模块将心理学情感知识直接引入到深度神经网络中.基于Mikel's情感轮定义成对情绪之间的相关性,EW-MTCNN模型采用多任务卷积神经网络学习情绪之间的相关性信息,同时优化情感分布预测和情绪分类任务.EW-MTCNN模型由3个模块组成,3个模块分别是图像特征提取层、情感轮先验知识层和多任务损失层.在情感分布数据集(Emotion6)和单标签数据集(Artphoto)上进行对比实验的结果表明:EW-MTCNN模型在情感分布预测与情绪分类任务上比其他情感分布学习方法具有更优的性能.     

基于多任务多模态学习的谣言检测框架

谣言检测是对社交网络上传播的信息内容进行真实性鉴别的任务.一些研究表明融合多模态信息有助于谣言检测,而现有多模谣言检测方法具有以下问题：（1）只是将处于不同表示空间的单模态特征简单拼接形成多模态表示,没有考虑多模态之间的关系,难以提高模型的预测性能和泛化能力.（2）缺乏对社交网络数据组成结构的细致考虑,只能处理由文本-图像对的社交网络数据,无法处理由多幅图像组成的数据,且当其中一种模态（图像或文本）缺失时模型无法进行预测.针对上述问题,本文提出了一种多任务多模态谣言检测框架（MMRDF）,该框架由3个子网络组成：文本子网络、视觉子网络和融合子网络,通过从单模态数据中提取浅层至深层的单模特征表示,在不同的子空间中产生特征图,丰富模态内特征,并通过复合卷积结构融合生成联合多模态表示,以获得更好的预测性能.同时该框架可以灵活地处理所有类型的推文（纯文本、纯图像、文本-图像对和多图像文本）,并且没有引入造成额外时间延迟的传播结构、响应内容等数据作为输入,可以在推文发布后立即应用于谣言检测,减少辟谣的时间延迟.在两个真实数据集上的实验结果表明,所提框架明显优于目前最先进的方法,准确率上的提升分别...     

基于多任务联合学习的入侵检测方法

针对目前大多数的网络入侵检测方法存在模型泛化能力较弱以及训练数据集类别不平衡等问题,考虑到网络流量同时具有时间性与空间性的特点,提出了一种基于多任务联合学习的入侵检测方法.首先对数据流量进行预处理,并将数据通过注意力层初始化其权重分布;然后通过胶囊网络(CapsuleNet)与简单循环单元(SRU)分别提取流量数据的空...     

基于多任务学习的国际疾病分类自动编码模型

国际疾病分类(International Classification of Diseases,ICD)编码任务是将疾病编码分配给电子病历,每份电子病历分配一个或多个ICD编码。现有的方法大多考虑临床文本中症状与诊断之间的关系,而对诊断与诊断间关系以及症状与症状间关系缺乏考量。针对这一现状,对于诊断与诊断间关系,构造编码共现任务,采用多任务的形式使得预测结果不依赖于标签之间的顺序关系,且不会进行错误预测的传播;对于症状与症状间关系,使用对比学习获取有意义的表征,学习同一临床文本中的症状一致性。通过以上任务的组合,构建基于多任务学习的ICD自动编码模型框架。在MIMIC-Ⅲ数据集上的实验表明,所提出的方法相较于优异模型在Micro-f1指标上提高了1.0%,在Micro-auc指标上提高了0.3%,在P@5指标上提高了0.7%。     

基于多任务学习的跨年龄人脸识别

为了解决年龄因素影响下的人脸识别问题,设计了一种多任务学习模型,用以进行年龄干扰下的人脸识别.通过卷积神经网络对人脸图像进行全面的特征提取,作为多任务学习的主干部分;使用特征分解模块提取出具有年龄相关信息的掩码层,从而从混杂的人脸特征中分离出年龄信息和身份信息;通过交叉熵损失函数和Arcface函数分别对年龄特征和身份特征进行约束.提出的网络对年龄干扰下的人脸特征具有较好的识别能力.     

结合遗忘特性的多任务多核在线学习算法

对于数据流的处理,多任务多核学习已逐渐成为在线学习算法研究的热点,它在一定程度上可提高数据流预测的准确性。多核方法尽可能使用最少的核函数得到最好的实验效果,当数据量增大、训练模型稳定时,通过阈值限定的方法对核函数进行遗忘,从而减少基本核函数的使用个数,使得计算更加简单;对于算法的优化,通过引入一个遗忘变量,从对偶的角度来进一步优化权重更新过程,这里的权重指多个任务的共有特征权重和每个任务间的特有权重,以提高算法的收敛速度。实验部分对核函数的选取进行了较为详细的分析,通过对UCI数据集和实际的机场客流量数据集进行分析,证明该本算法的合理性和高效性。     

基于联合优化多任务学习的细粒度图像识别

为了能够在细粒度图像特征表示中探索出相似层结构中的共享信息,提出了一种多任务学习框架,联合优化卷积神经网络中的Softmax Loss和Triplet Loss,基于此框架,设计广义三元组嵌入标签结构,以发现不同级别中具有相似性的相关图像。在Stanford Cars和CUB200-2011两个细粒度数据集上进行实验,结果表明这种方法不仅可以实现较好的分类性能,还能够提高在细粒度数据集上不同级别的标签结构的图像检索精度,这在电子商务中相关产品的推荐方面具有重要意义。     

一种基于多任务学习的多模态情感识别方法

为了通过设置辅助任务学习到更具有情感倾向性的视频和语音表示,进而提升模态融合的效果,提出一种基于多任务学习的多模态情感识别模型,使用多模态共享层来学习视觉和语音模型的情感信息.在MOSI数据集和MOSEI数据集上的实验表明,添加两个辅助的单模态情感识别任务后,模型可以学习到更有效的单模态情感表示,并且在两个数据集上的情...     

基于知识结构图的智能学习诊断研究

为了确定学习者的薄弱知识环节,更好的实现适应性教学,本文通过分析学科知识结构,运用知识结构图表示学科知识的逻辑结构,在此基础上提出了实现智能学习诊断的策略,并给出了学习诊断模型.