排序方式: 共有8条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
为增加PCB平面电感器单位面积上的电感值,提出一种采用磁性基板作为PCB叠层制作高感值PCB平面电感器的方法,并将磁性基板应用于两种典型的平面螺旋电感结构设计中。采用HFSS全波仿真方法对采用常规FR4基板和磁性基板的平面电感设计进行了比较,结果显示使用磁性基板能够在保持电感Q基本不变的情况下增大单位面积上的电感值,使用磁导率为2和1.5的磁性基板设计的电感器单位面积电感值能够达到13.1 n H/mm2和8.9 n H/mm2,与使用磁导率为1的FR4基板相比单位面积电感值的增大量与所使用磁性基板的磁导率基本成正比关系。 相似文献
4.
5.
6.
医学X射线作为胸部疾病的常规检查手段,可以对早期不明显的胸部疾病进行诊断,并且观察出病变部位。但是,同一张放射影像上呈现出多种疾病特征,对分类任务而言是一个挑战。此外,疾病标签之间存在着不同的对应关系,进一步导致了分类任务的困难。针对以上问题,本文将图卷积神经网络(graph convolutional neural network,GCN)与传统卷积神经网络(convolutional neural network,CNN)相结合,提出了一种将标签特征与图像特征融合的多标签胸部放射影像疾病分类方法。该方法利用图卷积神经网络对标签的全局相关性进行建模,即在疾病标签上构建有向关系图,有向图中每个节点表示一种标签类别,再将该图输入图卷积神经网络以提取标签特征,最后与图像特征融合以进行分类。本文所提出的方法在ChestX-ray14数据集上的实验结果显示对14种胸部疾病的平均AUC达到了0.843,与目前3种经典方法以及先进方法进行比较,本文方法能够有效提高分类性能。 相似文献
7.
MS-UNet++:基于改进UNet++的视网膜血管分割 总被引:1,自引:0,他引:1
本文针对视网膜图像中细微血管特征提取困难导致其分割难度高等问题,提出了一种 基于端到端的神经网络嵌套视网膜血管分割模型算法(简称MS-UNet++),该算法选取了深度监督网络UNet++作为分割网络模型,提升特征的使用效率;引入MulitRes模块,改善低对比度环境下细小血管的特征学习效果,并在特征提取后加上SENet模块进行挤压和激励操作,从而增强特征提取阶段的感受野,提高目标相关特征通道的权重。基于DRIVE图像数据集的实验结果表明,该算法分割结果与真实结果之间的重叠率DICE值为83.64%,并交比IOU为94.83%,准确度ACC为96.79%,灵敏度SE为81.78%,较现有模型有一定的提升,可用于视网膜图像血管分割,为临床诊断提供辅助信息。 相似文献
8.
1