简介：医学影像是癌症早期检测的一个重要方式.现提出一种基于更快速区域卷积神经网络（FasterRCNN）的癌症影像检测方法,通过添加拉普拉斯卷积层锐化结节边缘、突出结节轮廓,修改锚框大小,调试超参数提高了检测效果.该方法在保证精度的情况下,提高了诊断效率,为计算机辅助诊断提供了参考.

简介：

简介：道路目标检测在智慧城市建设中扮演着重要角色,而Faster-RCNN是目前主流的目标检测网络结构算法.本文在Faster-RCNN卷积神经网络结构基础上增加了特征金字塔网络层,并采用关注损失函数替代了原有的交叉熵损失函数.其中增加的特征金字塔特征融合层可以提取到检测图片中更具鲁棒性和一般性的前背景特征,而通过关注损失函数则能起到缓解检测图片中的正负样本不均的情况.最后,在公开数据集KITTI上实验证实,改进的目标检测算法能实现提高原有的Faster-RCNN目标检测准确率.

简介：摘要目的评估SITA Faster视野策略在青光眼患者中的应用价值。方法采用诊断试验研究方法，收集2018年9月至2019年2月就诊于复旦大学附属眼耳鼻喉科医院的共72名测试者视野报告资料，其中正常人28人56眼，青光眼患者44例86眼，在正常人与青光眼患者中评估视野策略SITA Standard(SS)与SITA Fast(SF)、SS与SITA Faster(SFR)策略检测结果的一致性和便捷性。收集并记录被测试者每眼每种策略完成所需时间、视野指数(VFI)、平均缺损(MD)与模式偏差概率图中视野缺损概率<5%、<2%、<1%、<0.5%的缺陷点数量进行差异性、相关性和一致性检验。结果合并的总人群中，使用SF和SFR策略相对SS的标准化使用时间分别为(64±13)%和(44±10)%。在正常人和青光眼患者中，使用SS与SF策略、SS与SFR策略的VFI和MD值比较，差异均无统计学意义(均P>0.05)。在合并的总人群中，使用SS与SF策略、SS与SFR策略的VFI值和MD值均呈正相关(均r＝0.99，P<0.01)。在正常人和青光眼患者中，使用SS与SF策略、SS与SFR策略的VFI、MD值一致性均较好。对模式偏差概率图中相应概率点数的比较结果显示，正常人群中使用不同视野策略的缺陷点数比较差异均无统计学意义(均P>0.05)，但相关性和一致性均不高；青光眼患者中，除使用SFR策略模式偏差概率图P<0.5%缺陷点数比SS策略少，差异有统计学意义(Z＝－2.28，P＝0.02)外，青光眼患者使用不同策略的缺陷点数比较差异均无统计学意义(均P>0.05)，相关性和一致性均较高。结论使用SFR策略较SF和SS策略节约了更多的检测时间，以SS为检测标准，除模式偏差图有部分差异之外，其检测的差异小，检查结果基本一致。

简介：针对传统方法过分依赖颜色等特征，导致对古籍文档复印件检测效果不佳的问题，基于深度学习技术建立了一种新的满文文档图像印章检测方法。通过图像变换和合成技术建立满文古籍文档图像数据增广算法解决训练数据不足的问题，在所构建的增广数据集上建立FasterR-CNN深度学习模型挖掘深层图像特征，实现满文文档图像印章检测方法。对采集的真实满文文档复印件图像进行实验，印章检测精度可以达到99．6％，表明本文的方法可以有效的检测古籍文档复印件图像中的印章，对满文文档的研究有重要意义。

简介：摘要:针对工控SAMA逻辑图在识别转换过程中逻辑图图元目标小、外形易变化、相似图元识别易重复、检测精度低等问题，本文针对Faster R-CNN网络进行改进，将原有VGG16网络替换成保留细节特征更为丰富的ResNet101网络，，并结合图元固有文字属性区分图元，从而提高相似图元识别精度。采用不同种类的外形相似图元制作的数据集，对改进前后的Faster R-CNN网络模型进行不同锚框设置下的比较实验，实验结果表明改进后的Faster R-CNN网络模型针对相似图元识别的性能有较大提升。

简介：摘要:针对传统船舶监测方法中存在工作量大易误判等问题，提出一种基于改进Faster R-CNN算法的船舶检测识别方法。自行拍摄制作船舶数据集，并通过翻转、裁剪、抖动等方式对数据集进行扩充。基于TensorFlow框架搭建深度学习系统环境，选取VGG16-Net作为特征提取网络。通过微调模型、参数调试等方法优化训练模型，提高了检测模型的识别精度。然后通过Faster R-CNN模型对数据进行训练、学习最终船舶平均识别率mAP指标（mean Average Precision）达到90.7%，通过深度学习达到了使用少量样本获得较高识别率的效果。

简介：Weperformmicromagneticsimulationsontheswitchingofmagneticvortexcorebyusingspin-polarizedcurrentsthroughathree-nanocontactgeometry.Oursimulationresultsshowthatthecurrentcombinationwithanappropriatecurrentflowdirectiondestroysthesymmetryofthetotaleffectiveenergyofthesystemsothatthevortexcorecanbeeasiertoexcite,resultinginlesscriticalcurrentdensityandafasterswitchingprocess.Besidesitsfundamentalsignificance,ourfindingsprovideanadditionalroutetoincorporatingmagneticvortexphenomenaintodatastoragedevices.

简介：摘要目的构建基于Faster R卷积神经网络的后前位胸部X线片异物智能检测模型，并评估模型的性能。方法回顾性分析2019年6月至2020年3月浙江省人民医院和淳安县人民医院的成人后前位DR胸片5 567张，其中含异物胸片4 247张。分为异物训练集（2 911张异物胸片）、验证集（1 456张，733张含异物、723张无异物）和测试集（1 200张，603张含异物、597张无异物）。每张胸片的异物经过2名放射住院医师标注和1名高年资放射技师审核校正后的结果作为参考金标准。采用受试者操作特征（ROC）曲线及曲线下面积分析深度学习模型在测试集中区分胸片有无异物的效能，采用精准率-召回率曲线及平均精确度（mAP）分析模型在不同层级的稳定性。最后分析不同位置、患者性别、患者年龄对于深度学习模型的异物召回率的影响。结果测试集中，深度学习模型诊断胸片是否含有异物的灵敏度为93.2%（562/603），特异度为92.6%（553/597），F1分数为0.94，ROC曲线下面积为0.97，mAP值为0.69。对于不同位置的异物，肺野内和肺野外的异物检测的召回率分别为91.2%（674/739）和89.0%（1 411/1 585）。对于不同性别的患者，男性和女性的异物检测召回率分别为87.3%（337/386）和90.0%（1 745/1 938）。对于不同的年龄分段，18~38岁的异物检测召回率为92.5%（1 041/1 126），39~58岁的异物检测召回率为89.7%（505/563），59~78岁的异物检测召回率为83.5%（335/401），≥79岁的异物检测召回率为85.9%（201/234）。结论构建的基于深度学习的成人后前位胸部X线片异物检测模型具有很高的灵敏度和稳定性，可以快速准确地识别胸片中的异物。