XiaoMi-AI文件搜索系统
World File Search System残差
用于脑肿瘤检测和分割的多任务上下文空洞残差网络
摘要 —近年来，深度神经网络在医学成像中的各种识别和分割任务中取得了最佳性能，包括脑肿瘤分割。我们发现，分割脑肿瘤面临着数据不平衡的问题，即属于背景类（非肿瘤像素）的像素数量远大于属于前景类（肿瘤像素）的像素数量。为了解决这个问题，我们提出了一个级联结构的多任务网络。我们的模型包含两个目标，即（i）有效区分脑肿瘤区域和（ii）估计脑肿瘤掩模。第一个目标由我们提出的上下文脑肿瘤检测网络执行，该网络起到注意力门的作用，只关注脑肿瘤周围的区域，而忽略与肿瘤相关性较小的远邻背景。与处理每个像素的其他现有物体检测网络不同，我们的上下文脑肿瘤检测网络只处理真实实例周围的上下文区域，这种策略旨在产生有意义的区域提议。第二个目标建立在 3D 空洞残差网络和编码解码网络之下，以便有效地分割大物体和小物体（脑肿瘤）。我们的 3D 空洞残差网络采用跳跃连接设计，使深层的梯度能够直接传播到浅层，从而保留不同深度的特征并用于相互细化。为了从体积 MRI 数据中整合更大的上下文信息，我们的网络利用具有各种内核大小的 3D 空洞卷积，从而扩大了滤波器的感受野。我们提出的网络已经在包括 BRATS2015、BRATS2017 和 BRATS2018 数据集在内的各种数据集上进行了评估，包括验证集和测试集。我们的性能已通过基于区域的指标和基于表面的指标进行了基准测试。我们还与最先进的方法进行了比较。1
利用研究和残差测量
插图 标题 页码 1........................小枝长度测量表......................................................................30-33 2........................Cole浏览表...............................................................................39-42 3........................详细浏览表.............................................................................48-50 4........................茬高度表.............................................................................53-56 5........................Robel杆表.............................................................................59-60 6........................Robel杆.........................................................................................61 7........................比较产量表.............................................................................67-68 8........................比较产量样方框.........................................................................69 9........................配对样地表.........................................................................................74-75 10.......................目测表.........................................................................................79-80 11.......................关键物种表.........................................................................................86-88 12.......................身高-体重表................................................................95-96 13.......................身高体重利用率表..............................................................97-99 14.......................身高体重-数据集示例..............................................................100 15.......................身高体重曲线示例......................................................................101 16.......................身高体重-传输数据的方法.............................................................102 17.......................实际体重表.............................................................................106-108 18.......................Grazed 类表.............................................................................114-115 19.......................Grazed 类方法照片指南.............................................................116 20.......................Grazed 类-数据集示例.............................................................117 21.......................Grazed 类身高体重曲线.............................................................118 22.......................景观外观表.............................................................................123-125
基于模型的故障诊断的稳健残差生成...
为了保证安全运行和任务完成，必须尽早诊断自动系统中的任何故障。基于模型的技术已被广泛认为是诊断故障的可行且有效的方法，并且需要被监控系统的数学模型。成功的基于模型的故障诊断的先决条件是对建模不确定性具有令人满意的稳健性。本论文研究并进一步发展了稳健残差生成技术在基于模型的故障诊断中的理论和应用，首先研究并回顾了基于模型的故障诊断的基本原理。然后提出了一些设计稳健残差生成器的策略。本论文提出了一种用于稳健残差生成的新型全阶未知输入观测器结构，然后使用该结构设计方向和最小方差残差。然后非常详细地介绍了故障诊断的特征结构分配方法。提出了一种在扰动解耦设计中分配右观测器特征向量的新算法。然后使用扰动解耦残差生成来诊断喷气发动机系统示例中的故障。为了促进这一应用，提出了几种技术来推导近似扰动分布矩阵。这些技术扩大了扰动解耦残差生成方法的应用范围。鲁棒性