Theoretical and computational studies of vectorial processes in biomolecular systems

Efficient vectorial processes such as the transduction of bioenergy and signals are characteristics that strikingly distinguish living systems from inanimate materials. Recent developments in biophysical and biochemical techniques have provided new information about the structure, dynamics and interaction of biomolecules involved in vectorial life processes at multiple length and temporal scales. This wealth of data makes it possible to carry out theoretical and computational studied of key mechanistic questions associated with complex life processes at an unprecedented level. Using two “vectorial biomolecular machines”, myosin and cytochrome c oxidase, as examples, we discuss the identification of interesting and biologically relevant questions that require thorough theoretical analysis. Technical challenges and recent progress related to these theoretical investigations are briefly summarized     

基于改进DeepLabV3+的铣床碎屑图像分割方法

针对铣床碎屑形状不规则导致图像分割中碎屑轮廓不清晰、分割精度低的问题,本文提出一种改进的DeepLabV3+铣床碎屑分割算法。首先在DeepLabV3+的Xcepetion模块中嵌入通道与空间注意力机制(convolutional block attention module, CBAM)模型,优化通道的权重和位置信息,加强碎屑图像区域的特征学习;其次将DeepLabV3+的空洞空间卷积池化金字塔(atrous spatial pyramid pooling, ASPP)模块改为密集连接(dense conolutional network, DenseNet)方式,增大碎屑图像特征点的感受野,提升铣床碎屑图像特征的复用效率;最后在解码过程中采用多尺度自适应特征融合方法,聚合多尺度特征作为解码器的输入特征,提高碎屑图像分割的精度与鲁棒性。实验结果表明,本文算法优于其他分割算法,改进后算法相比DeepLabV3+,像素准确率提高0.026,平均交并比(mean intersection over union,MIOU)提高0.020,F₁值提高了0.013。     

基于改进3D UNet的前列腺MR图像分割

针对前列腺磁共振 (magnetic resonance, MR)图像边缘模糊、对比度较低,灰度值分布不均衡而导致分割精度较差的问题,提出了一种结合双路径注意力(dual path attention,DPA) 和多尺度特征聚合(multi-scale feature aggregation,MFA) 模块的改进3D UNet网络模型。首先,对数据集进行重采样和裁剪处理以适应模型输入。然后,在3D UNet网络的编码器各层引入DPA 并添加残差连接,加强特征的 编码能力。同时,在网络解码器中加入MFA模块,以充分利用空间上下文信息,增强语义信息。最后,在公开数据集PROMISE12上进行验证,所提出的模型的Dice系数为89.90%,Hausdorff 距离为9.37 mm。相比较于其他模型,所提出模型的分割结果更优,且参数量和运算量更少。     

一种实时多尺度目标检测识别算法

无人机目标检测与识别任务中,目标随着飞行高度的改变尺寸发生显著变化。常规目标检测模型中,获取的小目标细节信息有限,检测精度较低;而适用于小目标的实时检测模型往往容易丢失大目标的背景信息,降低大目标的检测精度。针对以上多尺度目标检测识别任务难点,提出一种基于改进特征金字塔网络(Feature Pyramid Network, FPN)结构的实时多尺度目标检测识别模型。该模型通过增加特征金字塔层级覆盖更广的目标尺度,获取更为丰富的目标信息;同时,利用跨连接增加不同尺度特征融合的多样性,降低特征传导距离,保留更加完整的尺度特征来提高模型检测识别多尺度目标的性能。通过实验发现,相比于原始网络结构和相同特征层级的四层特征金字塔结构,加入改进特征金字塔结构的多尺度目标检测模型识别性能得到了提升。     

一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

一种面向高斯差分图的压缩感知目标跟踪算法

传统的压缩感知目标跟踪在目标纹理改变、比例缩放、光照变化剧烈时鲁棒性不足,本文提出一种面向高斯差分图的压缩感知目标跟踪算法。首先,构建原始图像的多尺度空间及其对应的图像高斯差分图,实现高斯差分图的特征提取并获取压缩感知的输入信号;然后,通过压缩降维,目标邻域遍历,参数更新等过程,计算出面向高斯差分图的后续帧的目标最优跟踪窗;最后,将跟踪窗投影到对应的原始图像上,完成面向视频流的目标跟踪。实验证明,高斯差分图像是单通道灰度图,相比较原始视频流的三通道彩色图,具有灰度取值范围小,数值低,结构简单,维数少等特点,增强了特征对纹理改变、比例缩放和光照变化的稳健性,且继承了原始算法的实时性。因此,与传统的压缩感知算法相比,本文算法能快速准确地实现复杂环境下的移动目标跟踪任务,具有更强的鲁棒性。     

多尺度变换和粒子群优化的图像融合方法

在图像融合领域,基于多尺度变换的图像融合方法是研究的热点,文中提出了一种基于多尺度变换和粒子群优化的图像融合方法,对基于多尺度变换得到的融合图像,利用粒子群优化进行进一步处理,并讨论了优化算法中初始图像质量对最终结果的影响。实验结果表明,该算法具有较好的融合结果,且优化时选取偏差大的初始图像粒子,能够获得更好的融合结果。     

锂离子电池多孔电极理论的回顾与新思考

本文总结了Newman多孔电极理论的基本内容,提出若干改进思路. 提出基于离子-空穴耦合传输机制描述浓电解质中的离子输运过程,在此基础上引入离子-电子耦合转移反应的思想处理电极材料中的离子传输问题,并通过计算嵌锂材料的离子扩散系数验证其合理性. 总结了描述多孔电极多尺度结构的相关理论和技术,表明均质化方法和基于结构重建的介观模拟方法均能给出比较合理的有效输运参数,从而提高多孔电极理论模拟结果的准确性.     

Retinex彩色图像增强理论的物理思考及其截断区间对图像质量的影响

指出了Retinex彩色图像增强理论的物理意义,在对数空间中,将原图像减去高斯函数与原图像的卷积,其物理本质是除去了原图像中的平滑的部分,突出了原图像中的快速变化的部分,而且高斯函数越尖锐,越是突出图像中的细节,高斯函数越平坦,图像色调保持得越好,多尺度Retinex综合了不同高斯函数与原图像进行卷积的优点。研究了多尺度Retinex标准差截断法,结果是,以多尺度Retinex处理后的图像强度在其平均值附近1倍标准差截断后再拉伸得到的图像,普遍好于以2倍、3倍标准差截断后再拉伸得到的图像。