针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性

最大间隔与支持向量机 支持向量回归 软间隔与正则化 核方法 统计学习理论简介

1 一个例子 2 最小二乘法 3 从线性到非线性：用线性模型 4 概率解释 最大似然估计 最大后验概率估计 正则化效果 5 偏置-方差困境 损失函数的第一步分解 损失函数的第二步分解 对多个数据集的简单总结

许多力学和工程问题都可以表示为第一类奇异积分方程.本文给出了带Hilbert核的奇异积分方程的小波Galerkin算法.利用L2([0,1])上的周期小波和Hilbert核的特点降低刚性矩阵的维数;并且通过阈值使得矩阵更加稀疏,以减少计算量和节省存储空间.根据Hilbert核的奇异性,通过Tikhonov正则化方法求解了所得到的刚性方程组,给出了算法的收敛性和数值结果

针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题，通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略，定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型。首先，在p范数约束下，基于各类故障样本自身规模，分别进行了两种自适应的样本权重分配；其次，在每层分类器的优化中，将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合，同时，将样本的权重$ {\\boldsymbol{W}} $

针对传统算法在抗光照变化影响、大位移光流和异质点滤除等方面的不足,从人类视觉认知机理出发,提出了一种基于机器学习和生物模型的运动自适应V1-MT (motion-adaptive V1-MT,MAV1MT)序列图像光流估计算法.首先,引入基于ROF模型的结构纹理分解(structure-texture decomposition,STD)技术,有效解决了光照和色彩变化的影响.其次,利用多V1细胞加权组合及非线性正则化模拟MT细胞模型,并结合岭回归训练学习得到运动自适应的权重,解决对目标的运动速度感知问题.最后,引入由粗到精的增强方法和图像金字塔局部运动估计采样,将V1-MT运动估计模型应用于实际大位移视频序列.理论分析和实验结果表明,新方法能更加拟合人眼视觉信息处理特性,对视频序列具有普适、有效、鲁棒的运动感知性能

一、描述程序设计语言中单词的一种简单而且数学化的工具。 二、表示符号串的构成模式 三、正则表达式r定义了一个符号串集合rs

针对一类含有时变、范数有界参数不确定广义系统,结合一个二次型性能指标,研究了使闭环系统保持正则、稳定和无脉冲,且闭环性能指标值不超过某个确定界的保性能控制律的设计问题,通过矩阵不等式给出了保性能控制律存在的一个充分条件,进而用线性矩阵不等式给出了保性能控制器的一个参数化表示

应用晶界分离模型解释了片层α相的球化现象，阐述了TA15钛合金转变组织中次生片层α相的球化是其主要的流动软化机制.基于钛合金球化软化机理，建立了TA15钛合金的统一黏塑性本构模型.本构模型综合考虑了次生α相的球化、正则位错密度、等向硬化、塑性成形产生的温升、成形过程中的相变等物理变量.利用遗传算法确定了本构模型中的材料常数.本构模型能够较好地描述TA15钛合金热变形下的流动应力变化

本章讨论连续小波变换。在第一节将引入小波的概念,小波变换与重构公式。第二节将介绍对尺度进行离散化后的二进小波变换。第三节将用小波变换刻划函数的正则性