检索结果-维普期刊中文期刊服务平台

基于双阶段元学习的小样本中医舌色域自适应分类方法被引量：1: 1; 作者卓力张雷 +2 位作者贾童瑶李晓光张辉《电子与信息学报》 EI CAS CSCD 北大核心 2024年第3期986-994,共9页; 舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中... 展开更多; 关键词中医舌色分类小样本域自适应双阶段元学习; 在线阅读下载PDF 职称材料

基于噪声样本渐近修正的中医舌色分类方法: 2; 作者孙亮亮李艳萍 +1 位作者张辉卓力《电子学报》 EI CAS CSCD 北大核心 2024年第5期1450-1459,共10页; 基于深度学习的中医舌色分类模型具备良好的性能,但是依赖大量正确标注的样本.由于人工标注样本费时费力,不可避免地存在错误标注,导致模型在训练过程中对噪声样本过拟合,使其泛化能力变差.为此,本文提出了一种基于噪声样本渐近修正的... 展开更多; 关键词中医舌色分类噪声样本样本注意力机制重新标注机制 Boostrapping损失; 在线阅读下载PDF 职称材料

有噪声标注情况下的中医舌色分类方法被引量：12: 3; 作者卓力孙亮亮 +2 位作者张辉李晓光张菁《电子与信息学报》 EI CSCD 北大核心 2022年第1期89-98,共10页; 舌色是中医(TCM)望诊最关注的诊察特征之一,自动准确的舌色分类是舌诊客观化研究的重要内容。由于不同类别舌色之间的视觉界限存在模糊性以及医生标注者的主观性等,标注的舌象数据中常含有噪声,影响舌色分类模型的训练。为此,该文提出... 展开更多; 关键词中医舌色分类噪声标注样本数据清洗知识蒸馏轻型卷积神经网络; 在线阅读下载PDF 职称材料

基于深度卷积神经网络的多元医学信号多级上下文自编码器被引量：7: 4; 作者袁野贾克斌刘鹏宇《电子与信息学报》 EI CSCD 北大核心 2020年第2期371-378,共8页; 多元医学信号的典型代表有多模态睡眠图和多通道脑电图等,采用无监督深度学习表征多元医学信号是目前健康信息学领域中的一个研究热点。为了解决现有模型没有充分结合医学信号多元时序结构特点的问题,该文提出了一种无监督的多级上下文... 展开更多; 关键词多元医学信号自编码器上下文学习卷积神经网络深度学习; 在线阅读下载PDF 职称材料

题名基于双阶段元学习的小样本中医舌色域自适应分类方法被引量：1: 1; 作者卓力张雷贾童瑶李晓光张辉; 机构北京工业大学计算智能与智能系统北京重点实验室北京工业大学信息学部; 出处《电子与信息学报》 EI CAS CSCD 北大核心 2024年第3期986-994,共9页; 基金国家自然科学基金(61871006) 国家中医药管理局中医药创新团队及人才支持计划(ZYYCXTD-C-202210)。; 文摘舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。; 关键词中医舌色分类小样本域自适应双阶段元学习; Keywords Tongue color classification in Traditional Chinese Medicine(TCM) Few shot Domain adaptation Two-stage meta-learning; 分类号 TN911.73 [电子电信—通信与信息系统] TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于噪声样本渐近修正的中医舌色分类方法: 2; 作者孙亮亮李艳萍张辉卓力; 机构北京工业大学信息学部北京工业大学计算智能与智能系统北京重点实验室; 出处《电子学报》 EI CAS CSCD 北大核心 2024年第5期1450-1459,共10页; 基金国家自然科学基金(No.61871006) 国家中医药管理局中医药创新团队及人才支持计划项目(No.ZYYCXTD-C-202210)。; 文摘基于深度学习的中医舌色分类模型具备良好的性能,但是依赖大量正确标注的样本.由于人工标注样本费时费力,不可避免地存在错误标注,导致模型在训练过程中对噪声样本过拟合,使其泛化能力变差.为此,本文提出了一种基于噪声样本渐近修正的中医舌色分类方法.首先,根据舌色分类的特点,提出了一种全局-局部特征融合方法,将其嵌入到ResNet18骨干网络中,构建了舌色分类网络,并采用集成学习范式,提高分类模型的可靠性和稳定性;其次,针对噪声样本下的舌色分类网络训练问题,提出了样本注意力机制和噪声样本标签重新标注机制,在训练过程中对干净样本和噪声样本加以区分,赋予不同的权重,并逐步对噪声样本标签进行修正;最后,采用Boostrapping损失函数降低模型对噪声样本的关注度,抑制噪声样本对分类性能的影响.将提出的方法在两个自建的舌色分类数据集上进行了实验验证,结果表明,该方法通过渐进地对噪声标签进行校正,可以获得比现有的有噪样本下图像分类方法更高的分类精度,Acc指标分别达到了94.6%和93.65%.; 关键词中医舌色分类噪声样本样本注意力机制重新标注机制 Boostrapping损失; Keywords TCM tongue color classification noisy sample sample attention mechanism re-labeling mechanism boostrapping loss; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名有噪声标注情况下的中医舌色分类方法被引量：12: 3; 作者卓力孙亮亮张辉李晓光张菁; 机构北京工业大学信息学部北京工业大学计算智能与智能系统北京重点实验室; 出处《电子与信息学报》 EI CSCD 北大核心 2022年第1期89-98,共10页; 基金国家自然科学基金(61871006)。; 文摘舌色是中医(TCM)望诊最关注的诊察特征之一,自动准确的舌色分类是舌诊客观化研究的重要内容。由于不同类别舌色之间的视觉界限存在模糊性以及医生标注者的主观性等,标注的舌象数据中常含有噪声,影响舌色分类模型的训练。为此,该文提出一种有噪声标注情况下的中医舌色分类方法:首先,提出一种两阶段的数据清洗方法,对含有噪声的标注样本进行识别,并进行清洗;其次,设计一种基于通道注意力机制的轻型卷积神经网络,通过增强特征的表达能力,实现舌色的准确分类;最后,提出一种带有噪声样本过滤机制的知识蒸馏策略,该策略中加入了由教师网络主导的噪声样本过滤机制,进一步剔除噪声样本,同时利用教师网络指导轻型卷积神经网络的训练,提升了分类性能。在自建的中医舌色分类数据集上的实验结果表明,该文提出的舌色分类方法能以较低的计算复杂度,显著提升分类的准确率,达到了93.88%。; 关键词中医舌色分类噪声标注样本数据清洗知识蒸馏轻型卷积神经网络; Keywords Traditional Chinese Medicine(TCM)tongue color classification Noise labeling samples Data cleaning Knowledge distillation Light Convolutional Neural Network(CNN); 分类号 TN911.73 [电子电信—通信与信息系统] TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度卷积神经网络的多元医学信号多级上下文自编码器被引量：7: 4; 作者袁野贾克斌刘鹏宇; 机构北京工业大学信息学部北京工业大学计算智能与智能系统北京重点实验室; 出处《电子与信息学报》 EI CSCD 北大核心 2020年第2期371-378,共8页; 基金国家自然科学基金(81871394) 先进信息网络北京实验室基金(040000546618017)~~; 文摘多元医学信号的典型代表有多模态睡眠图和多通道脑电图等,采用无监督深度学习表征多元医学信号是目前健康信息学领域中的一个研究热点。为了解决现有模型没有充分结合医学信号多元时序结构特点的问题,该文提出了一种无监督的多级上下文深度卷积自编码器(mCtx-CAE)。首先改进传统卷积神经网络结构,提出一种多元卷积自编码模块,以提取信号片段内的多元上下文特征;其次,提出采用语义学习技术对信号片段间的时序信息进行自编码,进一步提取时序上下文特征;最后通过共享特征表示设计目标函数,训练端到端的多级上下文自编码器。实验结果表明,该文所提模型在两种应用于不同医疗场景下的多模态和多通道数据集(UCD和CHB-MIT)上表现均优于其它无监督特征学习方法,能有效提高多元医学信号的融合特征表达能力,对提高临床时序数据的分析效率有着重要意义。; 关键词多元医学信号自编码器上下文学习卷积神经网络深度学习; Keywords Multivariate medical signals Autoencoders Context learning Convolutional neural networks Deep learning; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于双阶段元学习的小样本中医舌色域自适应分类方法	卓力张雷贾童瑶李晓光张辉	《电子与信息学报》 EI CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
2	基于噪声样本渐近修正的中医舌色分类方法	孙亮亮李艳萍张辉卓力	《电子学报》 EI CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
3	有噪声标注情况下的中医舌色分类方法	卓力孙亮亮张辉李晓光张菁	《电子与信息学报》 EI CSCD 北大核心	2022	12	在线阅读下载PDF 职称材料
4	基于深度卷积神经网络的多元医学信号多级上下文自编码器	袁野贾克斌刘鹏宇	《电子与信息学报》 EI CSCD 北大核心	2020	7	在线阅读下载PDF 职称材料