期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到25篇文章
< 1 2 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
通过Grad-CAM++提升GIS局部放电深度诊断模型的泛化性评估精度 认领 引用
1
作者 闫泽玉 刘云鹏 +2 位作者 范晓舟 范澜珊 肖海 《中国电机工程学报》 EI CSCD 北大核心 2025年第21期8622-8633,I0029,共12页
为提升现有局部放电深度诊断模型的泛化性评估精度和诊断结果的可解释性,该文提出样本特征提取效果和模型泛化能力的量化指标--对焦系数及其复合指标。通过改进的梯度权重类激活映射图(improved gradient-weighted class activation map... 为提升现有局部放电深度诊断模型的泛化性评估精度和诊断结果的可解释性,该文提出样本特征提取效果和模型泛化能力的量化指标--对焦系数及其复合指标。通过改进的梯度权重类激活映射图(improved gradient-weighted class activation mapping,Grad-CAM++)计算训练样本的类激活映射图(class activation mapping,CAM),并将其与局部放电相位分布(phase resolved partial discharge,PRPD)图卷积后除以调整因子,获得对焦系数。调整因子是将CAM按照局放次数进行最优分配后的卷积结果,是完美深度诊断模型的估计值。因此,对焦系数可以看作现有模型特征提取能力与理想模型的比值,其值大小在一定程度上能够表征模型的泛化能力。在此基础上,构建准确率与对焦系数的复合指标,进行最终模型的综合评估。通过110kV真型气体绝缘组合电器(gas insulated switchgear,GIS)平台收集7种多源缺陷局放数据,构建12个深度诊断模型。通过试验数据和现场数据构建6组测试数据集,验证该评估方法的有效性。结果表明,对焦系数能够有效量化CAM的可视化分析结果,提高诊断结果的置信度。综合对焦系数构建的复合指标(γ=10%)泛化相关性为81.01%,相较准确率指标提升8.74%。通过复合指标优选的诊断模型在现场陌生数据集下准确率为97%,相对传统优选方法准确率提升9.1%。 展开更多
关键词 局部放电 梯度加权类激活映射图 深度神经网络 可解释性 泛化性 气体绝缘组合电器
暂未订购 下载PDF
Explainable Hybrid Deep Learning for Secured Seizure Detection Framework Based on EEG Signal in Medical IoT Systems 认领 引用
2
作者 Ezz El-Din Hemdan Haitham Elwahsh +1 位作者 Samah Alshathri Amged Sayed 《Computer Modeling in Engineering & Sciences》 SCIE EI 2026年第5期1219-1247,共29页
Ensuring robust methods for maintaining high levels of medical data security is crucial in the Medical Internet of Things(IoT)for the protection of sensitive patient data during real-time transmission and analysis.Ele... Ensuring robust methods for maintaining high levels of medical data security is crucial in the Medical Internet of Things(IoT)for the protection of sensitive patient data during real-time transmission and analysis.Electroencephalography(EEG)signals in medical IoT systems are transmitted through cloud and edge networks,which create risks of cyber threats,unauthorized access,and data breaches.Consequently,there is an urgent need for efficient encryption methods to ensure the confidentiality of EEG signals during classification and prediction processes,as several state-of-the-art models either neglect security during classification or suffer from increased computational overhead that limits real-time applicability.In this paper,an innovative framework is proposed for secured and accurate detection of seizures from EEG signals based on Quantum Hilbert Encryption-assisted hybrid deep learning and machine learning methods.Raw EEG signals are first converted into 2D spectrogram images to facilitate visual feature analysis.These spectrogram images are then encrypted using the newly developed Quantum Hilbert Encryption Scheme to preserve the sensitive medical data while processing or transmission occurs.In addition,deep learning methods used encrypted EEG representations to extract discriminant features while maintaining the signal integrity and data confidentiality.Then,machine learning classifiers are used for seizure classification,efficiently and accurately doing so.Experimental evaluations highlight the system's strong performance:Support Vector Machine(SVM)achieved top accuracies of 87.63%with ResNet50 as features extractor and 83.51%with VGG19 as feature extractor,while RF excelled in precision with scores of 88.61%(SVM with ResNet50 as features extractor)and 87.91%(RF with Xception as features extractor).These results confirm the system's superior capability in seizure detection using encrypted EEG data.To enhance model interpretability,we employed Gradient-weighted Class Activation Mapping(Grad-CAM)and Local Interpretable Model-agnostic Explanations(LIME)to visualize and explain the decision-making process of the proposed hybrid AI model.By combining cutting-edge encryption with hybrid AI models and Explainable AI,the proposed method holds promising potential for application in Medical IoT(MIoT)environments,where secure real-time automatic EEG analysis is paramount. 展开更多
关键词 Seizure detection electroencephalography(EEG)signals Transfer Learning(TF) Gradient-weighted Class Activation Mapping(Grad-CAM) Local Interpretable Model-agnostic Explanations(LIME) quantum Hilbert encryption deep learning medical IoT
暂未订购 下载PDF
基于深度学习算法联合Grad-CAM的宫腔镜子宫内膜病变诊断模型研究 认领 引用 被引量：11
3
作者 曹明亮 尹蜜 +9 位作者 王庆彬 朱汉峰 李星 张珺 毛林 穆雪峰 曹敏 马于涛 王健 张燕 《实用妇产科杂志》 CAS CSCD 北大核心 2024年第5期409-413,共5页
目的:探讨基于深度学习(DL)算法联合可视化技术梯度加权类激活热图(Grad-CAM)开发的宫腔镜子宫内膜病变诊断模型的有效性。方法:选择2021年6月1日至2022年12月31日在武汉大学人民医院妇科行宫腔镜检查的291例患者的303段宫腔镜视频(478... 目的:探讨基于深度学习(DL)算法联合可视化技术梯度加权类激活热图(Grad-CAM)开发的宫腔镜子宫内膜病变诊断模型的有效性。方法:选择2021年6月1日至2022年12月31日在武汉大学人民医院妇科行宫腔镜检查的291例患者的303段宫腔镜视频(4781张图像),采用权重采样的方法,将数据集划分为训练集(3703张)和测试集(1078张)。在对训练集用于模型学习与训练后,选择残差神经网络(ResNet18)和高效神经网络(EfficientNet-B0)两种模型架构对测试集分别采用五类和二类分类任务进行模型验证。以病理组织学为金标准,评估其诊断效能,从而选出最优模型,并将Grad-CAM层嵌入最优模型中,输出宫腔镜图像Grad-CAM。结果:①在五类分类任务中,EfficientNet-B0模型的准确度(93.23%)高于ResNet18模型(84.23%);EfficientNet-B0模型在诊断无不典型性子宫内膜增生、子宫内膜息肉、子宫内膜癌、子宫内膜非典型增生、黏膜下肌瘤5种疾病的曲线下面积(AUC)均稍高于ResNet18模型,两者的AUC几乎都在0.980以上。②在准确度的二类分类任务中和对特异度的评估中,两种模型相似,均在93.00%以上,而EfficientNet-B0模型敏感度(91.14%)明显优于ResNet18模型(77.22%)。③EfficientNet-B0模型联合Grad-CAM算法可识别出图像中异常区域,取活检经病理检查证实,模型输出热力图中标记区域约95%为病灶区域。结论:EfficientNet-B0模型联合Grad-CAM研发的宫腔镜诊断模型具有较高的诊断准确度、敏感度和特异度,在诊断子宫内膜病变方面具有应用价值。 展开更多
关键词 宫腔镜 子宫内膜癌 卷积神经网络 梯度加权类激活热图 深度学习
暂未订购 下载PDF
基于CWT-MSTransformer的风电齿轮箱故障特征识别模型 认领 引用
4
作者 张雪莹 伍轶明 《机电工程》 CAS 北大核心 2026年第5期945-956,共12页
针对风电齿轮箱受强噪声环境影响,导致智能诊断模型诊断准确率严重下降的问题,提出了一种基于连续小波变换和多尺度Transformer(CWT-MSTransformer)的风电齿轮箱故障诊断方法。首先,采用了离散小波变换将风电齿轮的振动信号分解为高频... 针对风电齿轮箱受强噪声环境影响,导致智能诊断模型诊断准确率严重下降的问题,提出了一种基于连续小波变换和多尺度Transformer(CWT-MSTransformer)的风电齿轮箱故障诊断方法。首先,采用了离散小波变换将风电齿轮的振动信号分解为高频分量和低频分量,并利用CWT将其转换为高频和低频时频图;然后,设计了一个多尺度分层特征提取模块,该模块通过不同尺度的动态卷积进行多尺度局部特征提取,并利用注意力机制关注重要的故障特征,剔除了冗余信息;最后,采用高效注意力机制改进了Swin-Transformer,并利用其进行全局特征提取,以挖掘细微的故障特征;采用两个齿轮箱数据集进行了噪声环境下的实验验证。研究结果表明:该方法在强噪声环境中的平均诊断准确率为93.13%,均高于对比方法,这说明CWT-MSTransformer具有良好的抗噪性能;此外,通过梯度类激活映射(Grad-CAM)进行了特征学习可视化处理,结果表明CWT-MSTransformer能够聚焦关键的故障特征。这意味着在噪声环境下,该方法不仅能够有效地识别故障特征,而且能够增强模型的可解释性,在现实故障诊断中具有可行性。 展开更多
关键词 齿轮传动 故障诊断方法 风电机组 基于连续小波变换和多尺度Transformer 模型可解释性增强 梯度类激活映射
暂未订购 下载PDF
井下煤炭运输多环节复杂背景下高精度煤矸识别方法 认领 引用 被引量：1
5
作者 栾亨宣 安乐 +7 位作者 田莹 顾颉颖 张强 陈宏伟 付翔 胡成军 崔志芳 陈锐 《煤炭科学技术》 EI CAS CSCD 北大核心 2025年第9期459-468,共10页
煤矸智能分选是发展煤炭智能绿色开采的关键技术之一。准确识别煤矸石是智能分选的先决条件,如何克服井下复杂环境的影响,已成为影响机器视觉识别效果的现实难题。针对井下煤炭运输系统,构建具有单一、二混合和三混合背景的11类图像数据... 煤矸智能分选是发展煤炭智能绿色开采的关键技术之一。准确识别煤矸石是智能分选的先决条件,如何克服井下复杂环境的影响,已成为影响机器视觉识别效果的现实难题。针对井下煤炭运输系统,构建具有单一、二混合和三混合背景的11类图像数据集,包含水渍、煤粉、碎煤与碎矸石及运输设备部件等背景干扰因素。提出了一种融合多种注意力与残差连接的高精度煤矸智能识别方法,高分辨率阶段使用残差卷积块快速生成高质量标记(token),后续阶段使用级联的Channel Spatial Swin Transformer Block(CSSTB)进行深层表征学习。为提升模型对背景噪声的抗干扰能力,网络集成全局、通道、空间多种注意力机制,增强特征表达的鲁棒性。CSSTB中利用基于负斜率特性强化稀疏激活的LeakyReLU线性注意力机制建模全局信息,通过卷积注意力机制模块(CBAM)优化模型注意力分布,提升模型泛化能力。此外,考虑到煤、矸石和输送设备零部件的尺度差异,跨阶段使用残差连接以增强多尺度特征的通信和信息流通。结果表明:所提模型在单一、二混合和三混合背景上的平均准确度达到95.06%、97.77%、95.65%,相较于基线网络Swin Transformer-Tiny分别提高7.01%、4.83%、1.03%。可视化试验表明,对比模型在水渍、暗光和反光等复杂背景干扰下难以准确区分煤和矸石,而所提出模型能够精准聚焦于煤和矸石的关键特征区域,抗干扰能力强。研究结果为井下原煤运输中的煤矸高效分选提供了理论参考。 展开更多
关键词 深度学习 煤矸识别 井下环境 注意力机制 梯度加权类激活热图
暂未订购 下载PDF
基于可解释深度学习及表面增强拉曼光谱的微塑料高效识别方法 认领 引用 被引量：1
6
作者 张艺严 马静 +1 位作者 孙振丽 杜晶晶 《分析测试学报》 CAS CSCD 北大核心 2025年第8期1557-1567,共11页
微塑料(MPs)污染已成为全球环境的重大挑战。传统检测方法在MPs检测中存在诸多局限,迫切需要开发无需复杂前处理的高灵敏检测技术。为解决MPs检测难题,该研究构建了一种“表面增强拉曼散射基底捕获-深度学习识别-梯度加权类激活映射(Gra... 微塑料(MPs)污染已成为全球环境的重大挑战。传统检测方法在MPs检测中存在诸多局限,迫切需要开发无需复杂前处理的高灵敏检测技术。为解决MPs检测难题,该研究构建了一种“表面增强拉曼散射基底捕获-深度学习识别-梯度加权类激活映射(Grad-CAM)解释”的MPs新型检测方法。研究结果表明,金纳米海绵基底可有效捕获MPs,数据增强与预处理技术可有效提高模型的预测精度。基于一维卷积神经网络(1D-CNN)的多分支二分类深度学习网络对MPs的分类准确率可达85%,显著高于机器学习模型与常规1DCNN模型。Grad-CAM分析可清晰展示模型决策依据及误判原因。该方法在实际环境水样及混合样本中验证有效,具有较强抗干扰性能与实用性;所用基底材料来源广泛、制备工艺简便,具有成本优势与良好的应用潜力。 展开更多
关键词 表面增强拉曼光谱 微塑料 卷积神经网络 深度学习 梯度加权类激活映射
暂未订购 下载PDF
基于改进SDP和FasterNet-GCAM的滚动轴承故障诊断 认领 引用
7
作者 陈家芳 唐湛恒 周健 《现代制造工程》 北大核心 2025年第7期129-138,41,共10页
对滚动轴承进行故障诊断关乎设备运行安全及稳定可靠性。使用传统卷积神经网络进行故障诊断,模型运算量过大,且易出现过拟合现象从而导致诊断精度不高,端到端模型存在可信度不高等问题。鉴于此,提出一种基于改进对称极坐标(Symmetrized ... 对滚动轴承进行故障诊断关乎设备运行安全及稳定可靠性。使用传统卷积神经网络进行故障诊断,模型运算量过大,且易出现过拟合现象从而导致诊断精度不高,端到端模型存在可信度不高等问题。鉴于此,提出一种基于改进对称极坐标(Symmetrized Dot Pattern,SDP)法和FasterNet-GCAM网络的滚动轴承故障诊断方法。首先,将一维振动信号经过小波阈值降噪处理,再输入经皮尔逊图像相关系数法优化的SDP法生成SDP图像,并通过在FasterNet网络中加入部分卷积(partial convolution)思想,构建成改进的SDP-FasterNet模型进行进一步的特征提取,并完成滚动轴承不同故障的分类诊断。为了验证模型在图像识别过程中决策的可信度,将梯度加权类激活映射(Gradient-weighted Class Activation Mapping,Grad-CAM)与FasterNet网络相结合,突出SDP图像与决策相关的重要部分。试验结果表明,所提方法相比于其他方法具有更快的收敛速度和更强的鲁棒性,且诊断识别精度达到了99.20%,并提高了诊断过程中的可解释性及可信度,为故障诊断领域提供了具备良好可行性和鲁棒性的轻量化诊断模型。 展开更多
关键词 滚动轴承 故障诊断 FasterNet网络 部分卷积 梯度加权类激活映射 对称极坐标法
暂未订购 下载PDF
一种有置信度分析的前列腺癌良恶性分类模型研究 认领 引用
8
作者 郝成 孟宇泽 +1 位作者 彭勇 杜霞 《贵州医科大学学报》 CAS 2025年第9期1378-1384,共7页
目的旨在构建一套具备可解释性与置信度分析功能的前列腺癌(orostate cancer,PCa)良恶性分类模型,以提升诊断准确性并降低临床误诊风险。方法回顾性分析267例PCa患者和143例非PCa患者的双参数磁共振数据,采用VGG-16网络构建分类模型,通... 目的旨在构建一套具备可解释性与置信度分析功能的前列腺癌(orostate cancer,PCa)良恶性分类模型,以提升诊断准确性并降低临床误诊风险。方法回顾性分析267例PCa患者和143例非PCa患者的双参数磁共振数据,采用VGG-16网络构建分类模型,通过梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)方法实现可视化解释,并使用蒙特卡洛Dropout(Monte Carlo Dropout,MC-Dropout)法进行不确定性估计,引入拒绝机制;最后通过受试者工作特性(receiver operating characteristic,ROC)曲线和曲线下面积(area under the curve,AUC)评估模型性能。结果相比于原始VGG-16网络,本次提出的置信度模型提高了正确分类比例(94.6%vs 79.3%),并减少了假阳性(5.3%vs 15.3%),同时漏诊率接近零(0.1%),AUC值提高(P<0.05);模型正确分类比例高于高年资医生(94.6%vs 90.8%),高置信度激活区域与真实病灶区域高度吻合。结论本次提出的PCa分类模型,结合可视化与拒绝机制,无需像素级标签,也可准确识别PCa病灶并输出置信度,显著提高临床决策的准确性与安全性。 展开更多
关键词 磁共振成像 前列腺癌 置信度分析 梯度加权类激活映射 蒙特卡洛Dropout法
暂未订购 下载PDF
基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究 认领 引用 被引量：17
9
作者 王冉 石如玉 +2 位作者 胡升涵 鲁文波 胡雄 《振动与冲击》 EI CSCD 北大核心 2022年第16期224-231,共8页
常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加... 常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。 展开更多
关键词 声成像 故障诊断 卷积神经网络(CNN) 波叠加法 梯度加权类激活图(Grad-CAM)
暂未订购 下载PDF
基于深度学习的癫痫脑电信号分类 认领 引用 被引量：5
10
作者 徐晴 葛成 +2 位作者 蔡标 陆翼 常珊 《数据采集与处理》 CSCD 北大核心 2022年第4期787-797,共11页
有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维... 有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维时间序列数据转换为二维图像,使用EfficientNetV2模型来实现癫痫检测的二分类。同时,引入梯度加权类激活映射(Gradient⁃weighted class activation mapping,Grad⁃CAM)对二维图像分类进行可视化分析。对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验,EfficientNetV2模型的准确率达到了98.69%,优于BiLSTM模型。结果表明,EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类,而且分类准确率更高。 展开更多
关键词 癫痫 脑电信号 EfficientNetV2 BiLSTM 梯度加权类激活映射
暂未订购 下载PDF
深度学习在内镜下内痔诊断及危险分级中的应用 认领 引用 被引量：3
11
作者 陆建英 沈文娟 +6 位作者 顾莹 沈琳霞 张叶群 袁金丹 张芝芝 许春芳 朱锦舟 《中国内镜杂志》 2023年第2期1-7,共7页
目的建立内镜下内痔诊断及危险分级的深度学习模型,探讨人工智能辅助内镜下内痔诊疗的可行性。方法收集该院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组(A任务);根据LDRf分级标准,将内痔组进一步分为Rf0组、Rf1组和Rf2组(B任务)... 目的建立内镜下内痔诊断及危险分级的深度学习模型,探讨人工智能辅助内镜下内痔诊疗的可行性。方法收集该院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组(A任务);根据LDRf分级标准,将内痔组进一步分为Rf0组、Rf1组和Rf2组(B任务)。选取基于卷积神经网络(CNN)框架的Xception、ResNet和EfficientNet,以及基于Transformer框架的ViT和ConvMixer等5个神经网络,建立针对A、B两项计算机视觉任务的深度学习模型。模型评价指标包括准确率、召回率、精确度、F1值和读片时间。将深度学习模型的读片表现与两位不同年资内镜医生进行比较。结果5种深度学习模型在A与B任务测试集中皆展现出较好的准确性。其中,最优模型为ConvMixer,准确性最高(0.961和0.911),其次为EfficientNet(0.956和0.901),均优于高年资内镜医生(0.952和0.881)和低年资内镜医生(0.913和0.832)。同时,所有深度学习模型在验证集中读片用时均300 s)。此外,笔者采用梯度加权分类激活映射(Grad-CAM)方法突出图像中对模型判断较重要的区域。结论建立的内痔诊断及危险分级的深度学习模型,其表现优于内镜医生。基于深度学习的计算机视觉模型可辅助内镜医师进行内痔诊断和分级,展现出潜在的临床应用前景。 展开更多
关键词 深度学习 内痔 消化内镜 LDRf分级 梯度加权分类激活映射
暂未订购 下载PDF
基于深度学习的内镜肠道准备评分模型的建立 认领 引用 被引量：4
12
作者 沈文娟 徐昶 +3 位作者 林嘉希 许春芳 陆建英 朱锦舟 《中国医疗设备》 2023年第11期11-15,共5页
目的基于深度学习算法构建内镜肠道准备评分的计算机视觉模型。方法收集苏州大学附属第一医院消化内镜中心(600张)及HyperKvasir数据库(1794张)的内镜图片共2394张,根据Boston肠道准备量表完成肠道清洁度评分(0~3分,四分类),按6∶2∶2... 目的基于深度学习算法构建内镜肠道准备评分的计算机视觉模型。方法收集苏州大学附属第一医院消化内镜中心(600张)及HyperKvasir数据库(1794张)的内镜图片共2394张,根据Boston肠道准备量表完成肠道清洁度评分(0~3分,四分类),按6∶2∶2随机分为训练集(1439张)、验证集(478张)和测试集(477张)。选取3种深度学习网络(DenseNet169、DenseNet121、EfficientNet B3),利用迁移学习方式训练肠道准备分类模型,并采用测试集的混淆矩阵等指标评价模型分类能力,与高、低年资医师的分类能力进行对比。结果成功构建3个基于深度学习的肠道准备分类模型。各模型的分类准确度均较高,平均分类准确度为0.897,近似于低年资内镜医师(0.914),低于高年资内镜医师(0.941)的分类表现。其中,DenseNet169模型表现最好,分类准确度(0.914)及平均精确度(0.892)均为最高。此外,采用梯度加权分类激活映射算法,用热力图形式对模型的分类推理进行可视化呈现。结论运用深度学习算法构建的内镜肠道准备分类模型具有可行性,可通过多中心研究扩大样本来源进一步提高模型的分类及泛化能力。 展开更多
关键词 深度学习 计算机视觉 卷积神经网络 梯度加权分类激活映射
暂未订购 下载PDF
基于ResNet的可解释性计算机视觉模型在内镜下内痔评估中的应用 认领 引用 被引量：2
13
作者 刘璐 林嘉希 +4 位作者 朱世祺 高静雯 刘晓琳 许春芳 朱锦舟 《现代消化及介入诊疗》 2023年第8期972-975,980,共4页
目的为克服深度学习模型黑盒不可解释的缺点,本研究旨在探讨可解释性计算机视觉模型在内镜下内痔诊断及危险分级中的应用。方法收集苏州大学附属第一医院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组;根据LDRf分级标准,对内痔组进... 目的为克服深度学习模型黑盒不可解释的缺点,本研究旨在探讨可解释性计算机视觉模型在内镜下内痔诊断及危险分级中的应用。方法收集苏州大学附属第一医院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组;根据LDRf分级标准,对内痔组进一步分级为Rf0、Rf1及Rf2三组。针对有无内痔、红色征、糜烂、血栓及活动性出血,构建基于ResNet50V2的可解释化模型,并利用江苏大学附属金坛医院内镜中心的内镜图片进行外部验证。使用准确性、敏感性、特异性以及F1值等指标对比可解释化模型与传统深度学习黑盒模型的表现,并与两位不同年资内镜医生进行比较。结果ResNet可解释化模型的准确性为0.957、敏感性为0.978、特异性为0.974,F1值为0.958,其准确性高于黑盒模型的0.938,高年资内镜医生的0.933及低年资医生的0.907。此外,模型采用Grad-CAM方法突出图像中对模型推理依据的区域。结论本研究通过收集内镜下肛齿状线上倒镜图像,构建可解释化计算机视觉模型并进行外部验证,提示该模型在内镜下内痔诊断与评级中表现优于传统深度学习黑盒模型。该模型在未来临床内镜诊疗中具有良好应用前景。 展开更多
关键词 可解释性 深度学习 内痔 消化内镜 LDRf分级 梯度加权分类激活映射
暂未订购 下载PDF
基于高光谱成像技术的陈皮年份快速鉴别 认领 引用
14
作者 刘诚 赵路路 +2 位作者 周松斌 刘忆森 王庭有 《食品工业科技》 CAS 北大核心 2024年第24期243-251,共9页
陈皮具有较好的经济价值与药用价值,但目前市场上假冒伪劣、以次充好的现象严重。尤其是陈皮陈化年份作为衡量陈皮品质的重要指标,采用人工检测方法准确率与效率较低。为此,本文采用高光谱成像技术结合深度学习方法,建立陈皮陈化年份的... 陈皮具有较好的经济价值与药用价值,但目前市场上假冒伪劣、以次充好的现象严重。尤其是陈皮陈化年份作为衡量陈皮品质的重要指标,采用人工检测方法准确率与效率较低。为此,本文采用高光谱成像技术结合深度学习方法,建立陈皮陈化年份的快速无损鉴别方法。采集4类不同陈化年份的480个陈皮样本的近红外高光谱数据(波长范围为935.61~1720.23 nm),并采用轻量化卷积网络1D-Rep网络建立分类模型。在此网络基础上,提出基于多层梯度加权类激活映射(M-Grad-CAM)的特征波段选择方法,并建立特征波段分类模型。该方法综合加权多个Rep-block层的梯度生成波段重要性曲线,从而实现融合波段领域相关性与远程相关性的波段重要性指示。为验证方法有效性,采用基于偏最小二乘判别分析(PLS-DA)、随机森林(RF)、支持向量机(SVM)等机器学习方法获得的特征波段作为对比方法。结果表明,1D-Rep全波段光谱模型准确率达到98.55%。在特征波段建模的情况下,采用M-Grad-CAM选取特征波长,基于前9个特征波段建立分类模型准确率可超过90%,在20个特征波段时达到96.82%,准确率显著优于其他对比模型。本研究采用高光谱成像技术,可有效对不同年份的陈皮进行无损鉴别,并为开发便携检测仪器提供方法和理论依据。 展开更多
关键词 高光谱成像 陈皮 陈化年份 多层梯度加权类激活映射 特征波段
暂未订购 下载PDF
基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析 认领 引用 被引量：9
15
作者 刘潇 沈泽俊 +2 位作者 张立新 廖成龙 张轩 《科学技术与工程》 北大核心 2023年第17期7326-7334,共9页
深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network,... 深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network,CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map,Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。 展开更多
关键词 梯度加权类激活图 卷积神经网络 智能故障诊断 鲁棒性
暂未订购 下载PDF
基于Deeplab-MV3的三七垄间导航线提取算法研究 认领 引用 被引量：4
16
作者 陈红 张兆国 +2 位作者 解开婷 王成琳 王法安 《昆明理工大学学报（自然科学版）》 北大核心 2023年第5期95-106,共12页
针对田间路径语义分割算法在复杂场景中识别准确率低、时滞大,现有的导航线提取算法在三七种植场景中适用性差的问题,本文以改进的轻量化Deeplab-MV3模型识别垄径区域,并提出一种结合分段外接框质心生成导航定位点和多段三次B样条曲线... 针对田间路径语义分割算法在复杂场景中识别准确率低、时滞大,现有的导航线提取算法在三七种植场景中适用性差的问题,本文以改进的轻量化Deeplab-MV3模型识别垄径区域,并提出一种结合分段外接框质心生成导航定位点和多段三次B样条曲线的导航中线提取方法,实现对三七垄径导航线的准确高效提取.在三七田间数据集上训练模型并通过梯度加权类激活映射法分析Deeplab-MV3的各部分模块改进的有效性,测试集上模型垄间识别的平均交并比为74.80%,像素准确率为94.53%,参数量为3.086×10~6,模型推理速度为55.44帧/s,满足部署到移动设备的识别准确性和模型轻量化要求.开展三七垄间导航线提取实验,结果表明本文算法的平均像素偏差为5.32像素,误差占比的平均偏差为0.91%,偏航角平均偏差为1.27°,相较于使用Canny算子边缘提取的中点的导航线拟合法的导航精度有所提高.实验结果可为复杂道路田间环境的导航线提取以及农机导航设备提供研究基础. 展开更多
关键词 三七 语义分割 Deeplab-MV3 垄间导航线 梯度加权类激活映射
暂未订购 下载PDF
基于脑电空间域表征可视化的情感识别研究 认领 引用 被引量：2
17
作者 王竞茜 苗敏敏 +1 位作者 徐宝国 胡文军 《传感技术学报》 CAS CSCD 北大核心 2023年第9期1385-1394,共10页
鉴于情感脑电蕴含丰富的空间模式特征,提出一种基于二维空间域表征可视化的情感识别方法。首先,提取多通道脑电Gamma频段的微分熵(Differential Entropy,DE)特征并根据导联位置映射至9×9的二维空间进行拓扑重构,使用三次插值方法... 鉴于情感脑电蕴含丰富的空间模式特征,提出一种基于二维空间域表征可视化的情感识别方法。首先,提取多通道脑电Gamma频段的微分熵(Differential Entropy,DE)特征并根据导联位置映射至9×9的二维空间进行拓扑重构,使用三次插值方法进一步提高空间域特征图的分辨率;然后,针对性地设计了一种深度残差网络(Residual Network,ResNet)模型作为情感脑电解码器对情感脑电信号(Electroencephalogram,EEG)进行深层抽象特征的自动提取和端到端分类;最后,通过梯度加权类激活映射(Gradient-weighted Class Activation Mapping,Grad-CAM)方法对输入特征图进行可解释性分析,依据热力图分布定位对特定情感状态识别具有较大贡献的空间脑区。在SEED数据集上进行了相关情感识别实验,三种情感类别分类平均准确率为94.88%,达到了较先进的性能。 展开更多
关键词 脑机接口 情感识别 深度残差网络 梯度加权类激活映射
暂未订购 下载PDF
基于逐层增量分解的深度网络神经元相关性解释方法 认领 引用 被引量：1
18
作者 陈艺元 李建威 +1 位作者 邵文泽 孙玉宝 《自动化学报》 EI CAS CSCD 北大核心 2024年第10期2049-2062,共14页
神经网络的黑箱特性严重阻碍了人们关于网络决策的直观分析与理解.尽管文献报道了多种基于神经元贡献度分配的决策解释方法,但是现有方法的解释一致性难以保证,鲁棒性更是有待改进.本文从神经元相关性概念入手,提出一种基于逐层增量分... 神经网络的黑箱特性严重阻碍了人们关于网络决策的直观分析与理解.尽管文献报道了多种基于神经元贡献度分配的决策解释方法,但是现有方法的解释一致性难以保证,鲁棒性更是有待改进.本文从神经元相关性概念入手,提出一种基于逐层增量分解的神经网络解释新方法LID-Taylor(Layer-wise increment decomposition),且在此基础上先后引入针对顶层神经元相关性的对比提升策略,以及针对所有层神经元相关性的非线性提升策略,最后利用交叉组合策略得到最终方法SIG-LID-IG,实现了决策归因性能的鲁棒跃升.通过热力图对现有工作与提出方法的决策归因性能做了定性定量评估.结果显示,SIG-LID-IG在神经元的正、负相关性的决策归因合理性上均可媲美甚至优于现有工作.SIG-LID-IG在多尺度热力图下同样取得了精确性更高、鲁棒性更强的决策归因. 展开更多
关键词 神经网络 可解释性 决策相关性 逐层相关性传播 类激活图 积分梯度
暂未订购 下载PDF
基于深度学习的DRFM信号识别 认领 引用 被引量：1
19
作者 房津辉 宋宝军 朱明哲 《现代雷达》 CSCD 北大核心 2024年第3期54-58,共5页
针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处... 针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处理中无法有效区分回波信号和DRFM欺骗信号以及在雷达干扰识别中基于DRFM的欺骗干扰难以识别的问题。为了验证深度学习过程的可靠性,通过神经网络可解释性算法对训练结果进行了验证和分析。实验结果表明,相比于识别原始信号,识别DRFM信号神经网络需要用到更多的特征,神经网络判断准确率达到了96.33%,识别精度良好。 展开更多
关键词 干扰识别 时频变换 梯度加权类激活映射 导向反向传播 深度学习
暂未订购 下载PDF
一种端到端弱监督学习网络模型的中国画情感识别 认领 引用 被引量：4
20
作者 卢克斌 殷守林 《哈尔滨理工大学学报》 CAS 北大核心 2022年第1期69-78,共10页
情感识别是计算机视觉研究中的一个热点,研究中国画表现的情感对于作品鉴赏工作具有重要意义。为了提高识别性能,针对传统卷积神经网络用于提取中国画的局部区域信息会导致有效信息丢失的问题,文章提出一种基于端到端弱监督学习网络方... 情感识别是计算机视觉研究中的一个热点,研究中国画表现的情感对于作品鉴赏工作具有重要意义。为了提高识别性能,针对传统卷积神经网络用于提取中国画的局部区域信息会导致有效信息丢失的问题,文章提出一种基于端到端弱监督学习网络方法对中国画情感进行识别。提出的学习网络由2个分类模块和1个情感强度预测模块组成。首先,在改进特征金字塔网络的基础上构建强度预测通道,提取多层次特征。使用基于梯度的类激活映射技术从第一个分类通道生成伪强度映射图,以指导提出的网络进行情感强度学习。将预测的强度图输入到第二分类通道中进行最终的中国画情感识别。最后,在公开数据集上对提出的方法进行了验证,实验结果表明,所提出的网络就混淆矩阵、平均分类准确率、平均情感识别率分别提高了10%,15%和13%。 展开更多
关键词 中国画情感识别 端到端弱监督学习网络 情感强度图 基于梯度的类激活映射
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈