期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于内容的医学图像检索中的相关反馈技术 被引量:7
1
作者 沈晔 夏顺仁 李敏丹 《中国生物医学工程学报》 CAS CSCD 北大核心 2009年第1期128-136,共9页
建立一个高效、准确的医学图像检索系统是目前具有挑战性的任务。由于相关反馈(RF)技术有效地解决了"语义鸿沟",成为基于内容的医学图像检索系统中提高检索性能的关键技术。文中根据RF算法采用的检索模型,从基于距离度量的模... 建立一个高效、准确的医学图像检索系统是目前具有挑战性的任务。由于相关反馈(RF)技术有效地解决了"语义鸿沟",成为基于内容的医学图像检索系统中提高检索性能的关键技术。文中根据RF算法采用的检索模型,从基于距离度量的模型、基于概率统计分类模型和基于机器学习模型三个方面,对有代表性的算法进行了分析与评价,并重点分析了基于机器学习的RF算法。最后对医学图像检索中RF技术的发展进行了展望。 展开更多
关键词 基于内容的医学图像检索 语义鸿沟 相关反馈 机器学习 小样本
在线阅读 下载PDF
计算机辅助乳腺癌诊断中的非平衡学习技术 被引量:4
2
作者 沈晔 李敏丹 夏顺仁 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2013年第1期1-7,共7页
针对计算机辅助诊断(CAD)中学习算法处理非平衡数据时,分类器预测具有大类样本的分类误差小,而稀有类样本的分类误差大的倾向性分类问题,提出基于反向k近邻的欠采样新方法.通过去除大类样本集中的噪声及冗余样本、保留具有类别代表性且... 针对计算机辅助诊断(CAD)中学习算法处理非平衡数据时,分类器预测具有大类样本的分类误差小,而稀有类样本的分类误差大的倾向性分类问题,提出基于反向k近邻的欠采样新方法.通过去除大类样本集中的噪声及冗余样本、保留具有类别代表性且可靠的样本作为有效样本以此平衡训练样本集,解决了欠采样引起的类别信息的丢失问题.基于UCI Breast-cancer数据集的仿真实验结果表明,该方法解决了非平衡学习问题的有效性,进一步的横向评测对比显示该算法性能显著优于其他同类算法. 展开更多
关键词 计算机辅助诊断 非平衡学习 支持向量机 反向k近邻 欠采样
在线阅读 下载PDF
基于混合类别标记新技术的小样本学习算法 被引量:2
3
作者 李敏丹 沈晔 +1 位作者 章东平 殷海兵 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2016年第1期137-143,共7页
针对计算机辅助诊断(CAD)中标记病例样本难以收集所引起的小样本学习问题,提出基于混合类别标记新技术(HCLT)的小样本学习算法.该算法分别基于几何距离、概率分布及语义概念对大量存在的未标记样本进行差异化标记,将有一致标记结果的样... 针对计算机辅助诊断(CAD)中标记病例样本难以收集所引起的小样本学习问题,提出基于混合类别标记新技术(HCLT)的小样本学习算法.该算法分别基于几何距离、概率分布及语义概念对大量存在的未标记样本进行差异化标记,将有一致标记结果的样本加入样本集,以此扩大训练样本集.为了减少错误标记样本对学习过程造成的不利影响,提出样本伪标记隶属度并引入模糊支持向量机(FSVM)学习中,由隶属度控制样本对学习过程的贡献程度.基于UCI数据集的实验结果表明,采用该算法能够解决小样本学习问题的有效性.与单一类别标记技术相比,该算法产生的错误标记样本显著减少、学习性能显著改善. 展开更多
关键词 计算机辅助诊断(CAD) 小样本学习 混合类别标记 隶属度
在线阅读 下载PDF
基于Adaboost多特征融合的织物扫描图案识别 被引量:3
4
作者 张诚 张华熊 +2 位作者 田秋红 沈晔 康锋 《现代纺织技术》 北大核心 2016年第5期25-29,共5页
针对织物扫描图像中纱线纹理等的存在造成难以提取有效图案特征的问题,提出了一种基于多特征融合的图案识别方法。首先通过纹理抑制平滑滤波算法滤除织物扫描图像的纱线纹理,并进行灰度化;然后分别提取灰度图像的边缘方向直方图、最大... 针对织物扫描图像中纱线纹理等的存在造成难以提取有效图案特征的问题,提出了一种基于多特征融合的图案识别方法。首先通过纹理抑制平滑滤波算法滤除织物扫描图像的纱线纹理,并进行灰度化;然后分别提取灰度图像的边缘方向直方图、最大稳定极值区域的SURF特征和灰度共生矩阵特征,建立样本图像特征库;最后以样本图像特征库特征为训练对象,通过Adaboost算法融合3类特征建立分类器,实现图案识别。实验结果表明,基于Adaboost的多特征融合织物扫描图案识别算法比单特征识别算法有较高的准确率。 展开更多
关键词 织物扫描图像 图案识别 纹理抑制平滑 边缘方向直方图 最大稳定极值区域 灰度共生矩阵 特征融合 ADABOOST
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部