对比源框架下的多任务贝叶斯压缩感知微波成像方法

针对强散射体微波成像困难问题,本文提出了一种对比源框架下的基于拉普拉斯先验的多任务贝叶斯压缩感知方法,实现了稀疏强散射体的微波成像.在对比源框架下,基于"数据"积分方程并对成像区域网格离散建立稀疏感知模型,前向问题采用矩量法数值模拟;构造基于拉普拉斯先验的贝叶斯压缩感知分层模型;在多入射波情况下,利用多任务贝叶斯压缩感知方法对对比源进行优化求解;最后利用"状态方程"实现了目标函数的重构.本文在考虑噪声情况下,通过对多像素单目标、不均匀目标、多目标的微波成像数值模拟,并与共轭梯度方法、一阶Born近似框架下的多任务贝叶斯压缩感知方法的重构结果比较,验证了本文方法的有效性和鲁棒性.     

Part-Aware Mask-Guided Attention for Thorax Disease Classification

Thorax disease classification is a challenging task due to complex pathologies and subtle texture changes, etc. It has been extensively studied for years largely because of its wide application in computer-aided diagnosis. Most existing methods directly learn global feature representations from whole Chest X-ray (CXR) images, without considering in depth the richer visual cues lying around informative local regions. Thus, these methods often produce sub-optimal thorax disease classification performance because they ignore the very informative pathological changes around organs. In this paper, we propose a novel Part-Aware Mask-Guided Attention Network (PMGAN) that learns complementary global and local feature representations from all-organ region and multiple single-organ regions simultaneously for thorax disease classification. Specifically, multiple innovative soft attention modules are designed to progressively guide feature learning toward the global informative regions of whole CXR image. A mask-guided attention module is designed to further search for informative regions and visual cues within the all-organ or single-organ images, where attention is elegantly regularized by automatically generated organ masks and without introducing computation during the inference stage. In addition, a multi-task learning strategy is designed, which effectively maximizes the learning of complementary local and global representations. The proposed PMGAN has been evaluated on the ChestX-ray14 dataset and the experimental results demonstrate its superior thorax disease classification performance against the state-of-the-art methods.     

多任务TDCS车站分机通信协议的设计

为了处理TDCS车站分机从铁路局调度中心、车务终端和计算机联锁设备接收的各种信息,在此基于Windows操作系统设计了实时多任务程序。在多任务程序中,使用消息机制和消息缓冲区实现多线程之间的通信,使用信号量和互斥量实现多线程之间的同步;针对以太网通信任务和串口通信任务,建立了相应的数据结构,并设计了一个数据包分析算法来解析自定义协议。实践证明,该设计具有响应速度快、适应性强的特点。     

稀疏共形阵列天线方向图综合

提出一种基于多任务学习的共形阵列天线稀疏优化方法.该方法在考虑单元方向图的全局旋转变换和单元极化状态差异的情况下,建立了共形阵列天线导向矢量模型,结合多任务学习框架,以均匀分布共形阵列天线同一平面上阵元的方向图作为目标任务进行学习,通过稀疏向量支撑区的识别,将欠定的阵列流形矩阵方程转换为超定的特征矩阵方程进行求解,在实现阵列方向图逼近的前提下,建立了共形阵列天线阵元激励与位置联合稀疏优化的多任务学习模型.通过分块坐标下降法对稀布共形阵列天线多任务学习模型进行求解,实现了共形阵列天线的稀疏优化布阵.理论分析与实验仿真证明,该方法能有效减少共形阵的单元数量,简化共形阵列天线结构,获得与均匀分布的共形阵列天线性能一致的天线方向图,解决了稀疏共形阵列天线方向图综合优化设计难题.     

基于分层多任务模型的呼叫中心满意度评估

呼叫中心作为沟通桥梁,能够直接影响客户对企业的满意程度,因此需要对呼叫中心的工作进行评估,从而更好地提高客户满意度.现有的评估方法主要是根据对话中的用户语气用词,以及等待时间等特征进行评估.但这些方法存在着精确度不高,未结合上下文等缺点.所以在此基础上提出了一种新的客户满意度评估方法,该方法同时利用回合级和呼叫级进行评...     

一种基于深度学习的视觉里程计算法

近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高.环境噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度.鉴于此,提出一种基于深度学习并融合注意力机...     

基于矩阵分解和注意力多任务学习的客服投诉工单分类

投诉工单自动分类是通信运营商客服数字化、智能化发展的要求。客服投诉工单的类别有多层,每一层有多个标签,层级之间有所关联,属于典型的层次多标签文本分类问题,现有解决方法大多数基于分类器同时处理所有的分类标签,或者对每一层级分别使用多个分类器进行处理,忽略了层次结构之间的依赖。提出了一种基于矩阵分解和注意力的多任务学习的方法(MF-AMLA),处理层次多标签文本分类任务。在通信运营商客服场景真实投诉工单分类数据下,与该场景常用的机器学习算法和深度学习算法的Top1F1值相比分别最大提高了21.1%和5.7%。已在某移动运营商客服系统上线,模型输出的正确率97%以上,对客服坐席单位时间的处理效率提升22.1%。     

基于中间件技术的嵌入式导航终端软件设计

嵌入式导航终端是嵌入式地理信息系统(Embedded Geographic Information System,EGIS)的典型应用。由于嵌入式技术的发展以及用户对导航应用需求的不断增加,软件可重用性、互通互联互操作性成为导航应用软件发展的新方向。采用中间件和构件化的设计思想,对导航终端体系结构进行改进设计,并给出系统部分模块的设计模型和关键技术,满足了实时性和可靠性要求,增强了系统的通用性。     

基于多任务疏表达的二元麦克风小阵列语音增强算法简

针对常规二元麦克风小阵列话音增强算法通常需要话音活动检测技术支持,并且难以有效抑制第一帧含目标信号的噪声。提出了一种基于多任务稀疏表达的二元麦克风小阵列话音增强算法,首先利用字典学习方法分别获得目标信号和噪声信号的过完备字典,然后利用 混合范数对信号在其字典上的表示系数进行正则化稀疏约束,使得2个阵元接收到信号中的噪声信号被抑制,而话音信号尽量保持不变,从而达到话音增强的目标。仿真和实验数据表明,无论开始位置是否含有目标话音信号,所提出的非话音活动检测支持的二元麦克风小阵列话音增强算法均能有效实现话音增强的目标。