外来入侵植物命名实体识别是进一步挖掘入侵植物信息的关键步骤。为解决外来入侵植物领域命名实体识别存在训练数据稀缺、字符级向量表征单一、专业实体识别精度不足等问题,构建了一种基于多特征融合的外来入侵植物细粒度命名实体识别模...外来入侵植物命名实体识别是进一步挖掘入侵植物信息的关键步骤。为解决外来入侵植物领域命名实体识别存在训练数据稀缺、字符级向量表征单一、专业实体识别精度不足等问题,构建了一种基于多特征融合的外来入侵植物细粒度命名实体识别模型(invasive alien plant fine-grained named entity recognition model based on multi-feature fusion,IAPMFF)。首先,采用RoBERTa(Robustly optimized BERT approach,RoBERTa)预训练模型为基础架构,通过构建领域专用词典并通过词汇特征向量融合,增强模型对低频词及专业术语的表征能力;其次,设计双通道特征提取层,利用双向长短时记忆网络(Bi-directional long-short term memory,BiLSTM)提取长序列语义特征,结合卷积残差结构(convolution residual structure,CRS)捕获更多细粒度特征;然后,设计分层特征融合机制,通过多头自注意力机制加权融合两种特征向量,构建多维度语义表征;最后,采用条件随机场(conditional random field,CRF)进行序列解码优化。基于专家知识,构建包含24类细粒度实体标签的外来入侵植物命名实体识别数据集。试验表明,IAP-MFF模型在外来入侵植物命名实体识别数据集上取得91.51%精确率、92.51%召回率和92.01%的F1值,较基线模型分别提升4.40、3.39、3.91个百分点,显著改善了小样本细粒度实体的识别效果。在Weibo、Resume公共数据集上F1值分别达到72.75%和97.15%,表明了模型的泛化性和优越性能。IAP-MFF模型通过融合包含领域知识在内的多种特征,有效提升实体识别精度与泛化能力,为外来入侵植物知识图谱构建奠定技术基础。展开更多
基于低秩表示的多视图聚类方法能够提取数据的全局结构且具有对噪声强鲁棒的优点.然而,低秩表示往往忽略了不同视图的多样性特征信息,这可能会影响多视图聚类算法的性能.针对上述问题,提出一种多样性特征增强与低秩表示的多视图聚类算法...基于低秩表示的多视图聚类方法能够提取数据的全局结构且具有对噪声强鲁棒的优点.然而,低秩表示往往忽略了不同视图的多样性特征信息,这可能会影响多视图聚类算法的性能.针对上述问题,提出一种多样性特征增强与低秩表示的多视图聚类算法(Multi-view clustering algorithm with diversity feature enhancement and low-rank representation,MVC-DL).首先,MVC-DL通过表征出各视图的多样性特征信息,将其与一致性特征矩阵联合使得学习到的多视图特征信息更准确;其次,提出一种多视图加权谱结构融合策略来构建多视图一致性相似矩阵,有效减少了各个视图间的数据差异及噪声的影响;最后,利用增强拉格朗日乘子法并结合交替迭代优化算法求解该模型.在6个广泛使用的多视图数据集上将MVC-DL与10个先进多视图聚类算法进行对比,验证了MVC-DL的有效性.展开更多
精确的心脏结构分割对于心脏血管疾病辅助诊断和术前的准确评估有着重要的意义。不同模态的影像之间在空间分布和语义表达上存在显著差异,但现有方法多采用单分支网络结构,难以充分融合多模态信息,在多模态任务上缺乏泛化能力。针对这...精确的心脏结构分割对于心脏血管疾病辅助诊断和术前的准确评估有着重要的意义。不同模态的影像之间在空间分布和语义表达上存在显著差异,但现有方法多采用单分支网络结构,难以充分融合多模态信息,在多模态任务上缺乏泛化能力。针对这一问题,提出一种融合状态空间模型Mamba与卷积模型的多分支协同分割网络MCNet(Multi-modal collaborative network)。该网络主要由3个模块构成:基于Mamba与卷积神经网络的双分支特征提取器、动态特征融合模块以及Mamba解码器。特征提取器的双分支分别侧重于提取全局语义与局部细节特征,动态特征融合模块根据图像动态调整多种融合路径的权重,从而实现不同分支的动态特征整合。本文提出的方法在心脏的MRI数据集ACDC与超声数据集CAMUS上进行了充分实验。实验结果表明,本文方法通过基于混合专家(Mixture of experts,MoE)机制的动态特征融合模块,动态调整Mamba全局特征和CNN局部特征的融合权重,在边界清晰的ACDC数据集中,平均Dice和交并比IoU分别达到0.845和0.779,在边界模糊的CAMUS数据集中的平均Dice和IoU分别达到0.883和0.796,均优于目前主流方法。同时,消融实验进一步验证了每个模块的有效性。MCNet通过MoE机制实时调整全局和局部特征的融合权重,在保证全局感知的同时提升了结构细节完整性,为多模态心脏影像分割提供了高效而鲁棒的解决方案。展开更多
文摘外来入侵植物命名实体识别是进一步挖掘入侵植物信息的关键步骤。为解决外来入侵植物领域命名实体识别存在训练数据稀缺、字符级向量表征单一、专业实体识别精度不足等问题,构建了一种基于多特征融合的外来入侵植物细粒度命名实体识别模型(invasive alien plant fine-grained named entity recognition model based on multi-feature fusion,IAPMFF)。首先,采用RoBERTa(Robustly optimized BERT approach,RoBERTa)预训练模型为基础架构,通过构建领域专用词典并通过词汇特征向量融合,增强模型对低频词及专业术语的表征能力;其次,设计双通道特征提取层,利用双向长短时记忆网络(Bi-directional long-short term memory,BiLSTM)提取长序列语义特征,结合卷积残差结构(convolution residual structure,CRS)捕获更多细粒度特征;然后,设计分层特征融合机制,通过多头自注意力机制加权融合两种特征向量,构建多维度语义表征;最后,采用条件随机场(conditional random field,CRF)进行序列解码优化。基于专家知识,构建包含24类细粒度实体标签的外来入侵植物命名实体识别数据集。试验表明,IAP-MFF模型在外来入侵植物命名实体识别数据集上取得91.51%精确率、92.51%召回率和92.01%的F1值,较基线模型分别提升4.40、3.39、3.91个百分点,显著改善了小样本细粒度实体的识别效果。在Weibo、Resume公共数据集上F1值分别达到72.75%和97.15%,表明了模型的泛化性和优越性能。IAP-MFF模型通过融合包含领域知识在内的多种特征,有效提升实体识别精度与泛化能力,为外来入侵植物知识图谱构建奠定技术基础。
文摘基于低秩表示的多视图聚类方法能够提取数据的全局结构且具有对噪声强鲁棒的优点.然而,低秩表示往往忽略了不同视图的多样性特征信息,这可能会影响多视图聚类算法的性能.针对上述问题,提出一种多样性特征增强与低秩表示的多视图聚类算法(Multi-view clustering algorithm with diversity feature enhancement and low-rank representation,MVC-DL).首先,MVC-DL通过表征出各视图的多样性特征信息,将其与一致性特征矩阵联合使得学习到的多视图特征信息更准确;其次,提出一种多视图加权谱结构融合策略来构建多视图一致性相似矩阵,有效减少了各个视图间的数据差异及噪声的影响;最后,利用增强拉格朗日乘子法并结合交替迭代优化算法求解该模型.在6个广泛使用的多视图数据集上将MVC-DL与10个先进多视图聚类算法进行对比,验证了MVC-DL的有效性.
文摘精确的心脏结构分割对于心脏血管疾病辅助诊断和术前的准确评估有着重要的意义。不同模态的影像之间在空间分布和语义表达上存在显著差异,但现有方法多采用单分支网络结构,难以充分融合多模态信息,在多模态任务上缺乏泛化能力。针对这一问题,提出一种融合状态空间模型Mamba与卷积模型的多分支协同分割网络MCNet(Multi-modal collaborative network)。该网络主要由3个模块构成:基于Mamba与卷积神经网络的双分支特征提取器、动态特征融合模块以及Mamba解码器。特征提取器的双分支分别侧重于提取全局语义与局部细节特征,动态特征融合模块根据图像动态调整多种融合路径的权重,从而实现不同分支的动态特征整合。本文提出的方法在心脏的MRI数据集ACDC与超声数据集CAMUS上进行了充分实验。实验结果表明,本文方法通过基于混合专家(Mixture of experts,MoE)机制的动态特征融合模块,动态调整Mamba全局特征和CNN局部特征的融合权重,在边界清晰的ACDC数据集中,平均Dice和交并比IoU分别达到0.845和0.779,在边界模糊的CAMUS数据集中的平均Dice和IoU分别达到0.883和0.796,均优于目前主流方法。同时,消融实验进一步验证了每个模块的有效性。MCNet通过MoE机制实时调整全局和局部特征的融合权重,在保证全局感知的同时提升了结构细节完整性,为多模态心脏影像分割提供了高效而鲁棒的解决方案。
