导读:本文包含了隐条件随机场论文开题报告文献综述及选题提纲参考文献，主要关键词:医疗电子病历,自然语言处理,机器学习,层迭条件随机场模型
隐条件随机场论文文献综述
梁立荣,李长伟,沈晔,周立娟,景行[1]（2019）在《基于层迭条件随机场模型的电子病历文本信息抽取》一文中研究指出自然语言处理技术已用于非结构化中文电子病历信息抽取,并且新的算法或模型不断出现,但其应用效果的证据较少。共收集北京某大型叁甲综合医院呼吸专科住院电子病历38 218份,通过对数据预处理,抽象文本特征与定义语法规则,产生训练数据集和测试集,构建层迭条件随机场模型,并评估该模型的识别效果。结果表明,针对入院记录、出院记录、辅助检查报告3大类共39种非结构化文本,该模型可准确、快速地处理病历文本信息,应用效果较为理想。(本文来源于《计算机应用与软件》期刊2019年10期）
汪萍[2]（2019）在《基于多尺度条件随机场的语义图像分割深度卷积网络》一文中研究指出针对复杂边界处语义分割信息在多尺度情况下表现出的不一致性,引起的现有模型产生错误语义分割标记预测问题,受到空间语境关系启发,提出一种多尺度条件随机场的深度卷积网络模型。首先,不同尺度的初始标记通过深度卷积网络获得,从而构建语义标记的多尺度表达;其次,引入多尺度表达的条件随机场模块,并在该模块上添加同层二元关系和异层二元关系,构建新的条件随机场能量评价;最后,针对模型中的深度网络参数和条件随机场参数学习过程,设计一种两阶段的训练过程,兼顾了模型的收敛速度和精度。实验给出了公认的PASCAL VOC 2012数据集的语义分割结果,能够说明该方法较现有主流方法有一定优势。(本文来源于《宿州学院学报》期刊2019年07期）
王瑶,冯峰[3]（2019）在《基于全连接条件随机场的道路场景语义分割方法》一文中研究指出道路场景图像的准确分割是对道路场景进一步分析与理解的前提条件。针对基于点对条件随机场(Conditional Ran-dom Field,CRF)的道路场景语义分割方法仅考虑了局部邻域关系,无法表达像素点之间的相互依赖关系,易产生误分割现象的问题,本文提出基于全连接CRF模型的道路场景图像语义分割方法。首先,通过像素点间的相互依赖关系获取空间全局信息,利用Textonboost分类器提取图像的基本结构特征建立模型的一元势能项,利用高斯核函数的线性组合构建模型的二元势能项;之后,采用平均场近似算法实现模型的优化推理;最后,采用道路场景数据库Sowerby-7进行实验分析,验证所提模型的可行性和有效性。实验结果表明,与基于点对条件随机场模型相比,该模型能够得到较好的语义分割结果。(本文来源于《电脑知识与技术》期刊2019年18期）
黄菡,王宏宇,王晓光[4]（2019）在《结合主动学习的条件随机场模型用于法律术语的自动识别》一文中研究指出【目的】实现对大规模法律文本中法律术语的自动识别,促进法律大数据的结构化进程。【方法】将条件随机场模型作为主动学习算法的分类器,在经过K-means聚类后的语料库中,按照分层抽样的方式抽取用于启动主动学习算法的初始样本,将熵值作为主动学习的样例选择依据,迭代地进行主动学习的学习过程及样例选择过程,直到模型的调和均值F值趋于稳定时停止迭代,输出最终的法律术语自动识别模型——AL-CRF模型。【结果】在中文裁判文书上的命名实体识别实验表明,通过少量且高质的样本训练的AL-CRF模型对于法律术语的识别准确率和召回率可达90%以上,且相较于等标注工作量训练的CRF模型F值提高4.85%。【局限】K-means聚类方法对噪声和离群点较为敏感,可能会影响模型的识别效果。【结论】结合主动学习的条件随机场模型能在保证识别质量的情况下,减少低质量样本的标注工作量。(本文来源于《数据分析与知识发现》期刊2019年06期）
左宗成,张文,张东映[5]（2019）在《融合可变形卷积与条件随机场的遥感影像语义分割方法》一文中研究指出当前,深度卷积神经网络在遥感影像语义分割领域取得了长足的发展。标准的卷积神经网络由于卷积核的几何形状是固定的,导致对几何变换的模拟能力受到限制。本文引入一种可变形卷积来增强卷积网络对空间变换的适应能力。由于神经网络架构中使用了池化层操作,这会导致在输出层未能充分地对局部对象进行准确的分割。为了克服这种特性,本文将神经网络输出层的粗糙预测分割结果通过全连接的条件随机场来进行处理,以此来提高对影像细节的分割能力。本文方法易于采用标准的反向传播算法进行端到端的方式训练。ISPRS数据集上的测试试验结果表明本文方法可以有效地克服遥感影像中分割对象的复杂结构对分割结果的影响,并在该数据集上获得了当前最好的语义分割结果。(本文来源于《测绘学报》期刊2019年06期）
甘清海[6]（2019）在《基于多级联卷积神经网络和条件随机场的脑肿瘤分割研究》一文中研究指出近年来,脑部肿瘤分割成为医学图像处理研究领域的热点问题。脑部肿瘤是神经系统的常见疾病之一,对人体健康极为有害,其致死、致残率极高。其中胶质瘤是中枢神经系统常见的恶性原发肿瘤,占所有脑瘤的50%左右。胶质瘤分为低级别胶质瘤(Low-grade glioma,LGG)和高级别胶质瘤(High-grade glioma,HGG),进化为HGG的患者的平均预期寿命为两年左右。因此,需要早发现早治疗,才能有效地降低胶质瘤对人体的伤害。现有的成像技术包括MRI(Magnetic resonance imaging)、CT(Computed tomography)和PET(Positron emission tomography)等,由于MRI独特的优势,因此成为了脑肿瘤诊断和治疗的主要成像方式。目前,已有许多研究者提出了高效的胶质瘤MR图像分割算法,但由于其侵润生长、边界模糊的特性,使得胶质瘤的精确分割非常困难。为了有效地对脑胶质瘤进行精确分割,本文采用卷积神经网络(Convolutional neural networks,CNNs)和条件随机场(Conditional random fields,CRFs)开展深入研究,提出了一种基于多级联卷积神经网络(Multicascaded convolutional neural networks,MCCNN)和全连接CRFs的脑肿瘤分割方法。其主要研究内容如下:1)提出了一种新颖的MCCNN架构。它允许不同大小的图像块作为输入,以有效地识别局部细节和上下文信息。在该架构中,我们利用标签的依赖性以及不同尺度的特征,将叁个并行的子网络进行堆迭最终形成多级联的架构。第一个子网的输出用做后续网络输入的附加信息,以指导后续网络的训练;同时在最终输出的前一层再次进行级联以获得更加平滑的边界。2)提出了一种有效地由粗到细的分割框架。我们的框架主要包括两个阶段。在第一个阶段中,我们使用所提出的MCCNN对多模态脑部MR图像进行粗分割以获得脑肿瘤概率图;在第二个阶段,我们使用CRFs进一步细化概率图,将脑部肿瘤分割问题看做最小化CRFs的能量函数的过程,充分考虑了空间上下文信息以消除一些假阳性并获得最终精细化的分割结果。3)在大脑肿瘤分割挑战赛(BRATS)中公开的两个数据库上进行了一系列实验来对本文算法的分割性能进行评估。实验结果表明,所提出的从粗到细的分割算法不仅可以实现前沿的分割性能,而且计算复杂度低,时间开销小。此外,与现有的脑肿瘤分割方法相比,我们的方法在DICE系数与灵敏度方面能取得竞争性的分割结果,尤其是对于难分的增强肿瘤区域优于大部分主流方法。(本文来源于《湘潭大学》期刊2019-06-04）
刘一鸣[7]（2019）在《基于深度学习与条件随机场的宫颈癌细胞学图像的细胞核分割》一文中研究指出宫颈癌是广泛存在的一种高发病率与高死亡率的疾病,目前主要的筛查方式为基于巴氏涂片的细胞学筛查,由于细胞学家与病理学家的手工筛查是一个高重复性,高耗时且易出错的工作,因此宫颈癌的自动计算机辅助细胞学筛查与诊断系统的发展具有重要的临床意义,而细胞核因为携带有辅助筛查与诊断的实质信息,其精确分割已经成为众多研究者探索的课题。本文采用从粗到细的策略分割细胞核,粗分割阶段分别运用两种深度学习网络对宫颈细胞核进行粗分割,优化阶段则通过融合粗分割结果与细胞核RoI内所有像素的色彩值信息与位置信息来构建一个局部全连接条件随机场,通过最小化条件随机场的能量函数实现细胞核分割结果的优化。本文的主要创新工作如下:(1)为了充分利用细胞学图像的先验信息以获取准确且稳定的细胞核定位,首先以全卷积网络(Fully Convolutional Network,FCN)为基础,搭建感受野与细胞学图像中细胞核分辨率匹配的轻型全卷积网络(Tiny-FCN,T-FCN),这会导致网络深度的缩减,为了弥补因此带来的网络特征表达能力的损失,T-FCN将每个卷积层的卷积核数量扩展为原FCN的2倍。实验结果表明T-FCN获得了良好的粗分割结果,在查准率、查全率与ZSI相似性指数上分别获得了0.84、0.91与0.85的结果,这意味着细胞核分割轮廓与其真实轮廓高度匹配,但是在细胞核轮廓的高频部分,存在分割较为粗糙的情况,且对图像对比度太差,细胞核轮廓太模糊的复杂细胞核图像,T-FCN存在漏检与误检。(2)为了克服T-FCN存在的对复杂细胞核的漏检与误检,以Mask R-CNN为基础,根据Herlev数据集中细胞学图像较为丰富的底层特征带来的对底层特征提取网络的非线性能力的高要求,对原ResNet特征提取网络的底层卷积层进行改进,并在满足细胞核高层特征提取的基础上为了防止过拟合,精简了ResNet的高层特征提取网络。以改进的ResNet为基础构建金字塔特征提取网络,其提取的细胞学图像的多尺度信息被区域建议网络用来生成细胞核的感兴趣区域(Region of Interest,RoI),然后运用细胞核的外接包围盒与其真实分割图作为监督信息实现网络的训练。实验结果表明,基于Mask R-CNN的方法可以解决大部分T-FCN的分割结果中存在的对复杂细胞核的误检与漏检,在查准率、查全率与ZSI上达到了0.985、0.918与0.946的表现,但其分割结果仍然存在丢失细胞核轮廓高频信息以及轮廓内缩等问题。(3)针对粗分割结果中存在的细胞核高频信息的丢失以及基于Mask R-CNN的粗分割结果存在的细胞核轮廓内缩的问题,在优化阶段构建了一个局部全连接条件随机场,以粗分割结果作为条件随机场中能量函数的一元势函数,而成对势函数则通过融合细胞核RoI中所有像素的位置信息与色彩值信息构建,通过最小化条件随机场的能量函数来最大化后验概率,从而输出细胞核的精分割结果。实验结果表明构建的局部全连接条件随机场使得细胞核轮廓更加贴近真实细胞核轮廓,同时平衡了查准率与查全率,解决了基于Mask R-CNN的粗分割结果存在的轮廓内缩的问题,并将其ZSI在保持低方差的前提下又提升了近一个百分点,表明本文的方法能够实现比目前先进的Herlev数据集上的细胞核分割方法更为精确且稳定的宫颈细胞核分割。(本文来源于《中北大学》期刊2019-06-01）
于丽波,艾军,董延超[8]（2019）在《基于条件随机场的钢箱梁正交异性板疲劳微裂纹检测》一文中研究指出钢箱梁正交异性板在桥梁建设中应用广泛,对此类结构疲劳损伤进行无损检测并发现病害特征,有利于及时的进行现场维修加固。该文使用高倍数显微相机进行疲劳微裂纹的检测,提出基于条件随机场(CRFs)的金属疲劳微裂纹检测算法,该方法使用单个像素的表观特征来进行裂纹判别,同时也考虑其他像素标注值间的影响,从而很好地抑制离散噪音点。通过多种表观特征和机器学习方式自动识别出区分性最强的特征从而加以选择使用。实验结果表明,基于CRFs模型的裂纹检测方法对于试件6～16万次的图像裂纹宽度测量与人工测量值非常接近,这为钢箱梁正交异性板疲劳损伤快速检测提供可靠的分析手段。(本文来源于《中国测试》期刊2019年05期）
王蕾蕾[9]（2019）在《基于条件随机场与深度学习的蛋白质二级结构预测》一文中研究指出随着生物信息学的发展,蛋白质数据库中的蛋白质序列信息越来越多,尤其是生物信息学的出现,使得人们能够更好地利用这些蛋白质信息了解生物系统。生物信息学可以利用这些序列信息寻找相关的蛋白质,并收集其他信息推测未知蛋白质的结构和功能等可能的特性。蛋白质结构分析预测也经常被用在药物设计中。通过实验方法获取蛋白质二级结构所需的成本高,专业人才紧缺,所以目前面临的核心问题就是利用生物信息学找到一种能够高效地预测蛋白质二级结构的算法。本文使用深度学习算法和条件随机场算法对蛋白质二级结构进行预测。在蛋白质数据处理中,本文用到了位置特异性矩阵(Position-Specific Scoring Matrix,PSSM),同时为了更好的表示氨基酸序列,使用了滑动窗口技术。在蛋白质二级结构预测算法方面,本文提出了两种学习分类方法:第一种是卷积神经网络结合Softmax分类器的算法,此方法改进了卷积神经网络的模型结构,针对梯度消失问题在各卷积层之后添加了修正线性单元(Rectified Linear Units,ReLU)激活层,为了最大限度地保留原始数据的重要特征,提取了全连接层之前的特征数据作为Softmax分类器的输入,对蛋白质二级结构进行分类和预测,与传统的卷积神经网络方法比较,此方法提高了预测精度。第二种是基于集成学习的思想:使用了一种简单的集成策略把卷积神经网络和条件随机场模型进行了结合,使得这两种学习器最大限度的发挥自身的优势同时弥补彼此的缺点,最后用本文的集成分类器对蛋白质二级结构进行分类和预测,提高了预测的精度。实验证明,本文提出的两种方法在公开的蛋白质数据集25PDB数据集上准确率有所提高。实验证明,由卷积神经网络和条件随机场模型基于集成学习策略组成的集成学习器在25PDB数据集上的预测准确率高于CNN-Softmax网络模型,所以,深度学习算法与条件随机场模型结合可以更好地提高蛋白质二级结构的预测准确率。(本文来源于《齐鲁工业大学》期刊2019-05-31）
王尧,余祖俊,朱力强,郭保青[10]（2019）在《基于高阶全连接条件随机场的高速铁路异物入侵检测方法》一文中研究指出随着我国高速铁路的快速发展,运营线路里程不断增加,铁路异物入侵对列车运行安全的威胁日趋严重。针对现有基于计算机视觉的铁路异物入侵检测方法存在的检测精度差、误检率高等问题,提出一种新的基于条件随机场CRF的前景提取算法并将其应用于高铁周界入侵检测中。前景提取是计算机视觉中的一个重要问题,也是基于计算机视觉的铁路异物入侵检测方法的核心算法。基于CRF的前景提取算法针对动态背景、伪装色等关键问题引入全连接结构,并增加高阶势,同时采用基于快速卷积的CRF推断算法实现快速求解。实验结果表明,前景提取算法的总体检测效果在通用测试数据集上优于现有算法,并在铁路现场场景取得较好地应用效果。(本文来源于《铁道学报》期刊2019年05期）
隐条件随机场论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对复杂边界处语义分割信息在多尺度情况下表现出的不一致性,引起的现有模型产生错误语义分割标记预测问题,受到空间语境关系启发,提出一种多尺度条件随机场的深度卷积网络模型。首先,不同尺度的初始标记通过深度卷积网络获得,从而构建语义标记的多尺度表达;其次,引入多尺度表达的条件随机场模块,并在该模块上添加同层二元关系和异层二元关系,构建新的条件随机场能量评价;最后,针对模型中的深度网络参数和条件随机场参数学习过程,设计一种两阶段的训练过程,兼顾了模型的收敛速度和精度。实验给出了公认的PASCAL VOC 2012数据集的语义分割结果,能够说明该方法较现有主流方法有一定优势。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
隐条件随机场论文参考文献
[1].梁立荣,李长伟,沈晔,周立娟,景行.基于层迭条件随机场模型的电子病历文本信息抽取[J].计算机应用与软件.2019
[2].汪萍.基于多尺度条件随机场的语义图像分割深度卷积网络[J].宿州学院学报.2019
[3].王瑶,冯峰.基于全连接条件随机场的道路场景语义分割方法[J].电脑知识与技术.2019
[4].黄菡,王宏宇,王晓光.结合主动学习的条件随机场模型用于法律术语的自动识别[J].数据分析与知识发现.2019
[5].左宗成,张文,张东映.融合可变形卷积与条件随机场的遥感影像语义分割方法[J].测绘学报.2019
[6].甘清海.基于多级联卷积神经网络和条件随机场的脑肿瘤分割研究[D].湘潭大学.2019
[7].刘一鸣.基于深度学习与条件随机场的宫颈癌细胞学图像的细胞核分割[D].中北大学.2019
[8].于丽波,艾军,董延超.基于条件随机场的钢箱梁正交异性板疲劳微裂纹检测[J].中国测试.2019
[9].王蕾蕾.基于条件随机场与深度学习的蛋白质二级结构预测[D].齐鲁工业大学.2019
[10].王尧,余祖俊,朱力强,郭保青.基于高阶全连接条件随机场的高速铁路异物入侵检测方法[J].铁道学报.2019