新型冠狀病毒肺炎（novel coronavirus pneumonia，COVID-19）具有高傳染性和高致病性，對人們的公共安全造成了嚴重威脅，從而備受全球關注。因此，對COVID-19進行快速且準確地檢測和診斷變得至關重要。目前傳統的檢測診斷方法主要包括核酸檢測和醫學影像的人工診斷。但是，核酸檢測存在耗時較長、需要專用的測試盒等缺點，而醫學影像的人工診斷則存在過于依賴專業知識、分析耗時較長和難以發現隱匿病變等缺點。同時，隨著X射線（X-ray）和計算機斷層掃描（CT）數據集的相繼提出，科研人員在此基礎上構建了基于深度學習的COVID-19檢測診斷模型，這些模型有效地輔助了醫學專家對COVID-19的高效診斷治療。對現有基于深度學習的COVID-19檢測診斷方法進行了系統性的深入調研和分析。首先，全面調研了目前主流的用于COVID-19檢測診斷的影像數據集以及相關評價指標；接著，對基于深度學習的新冠肺炎檢測診斷方法從模型任務（單任務：分類任務或者分割任務、多任務：分割任務和分類任務）和影像數據類型（CT、X-ray）兩個不同角度進行了詳細介紹，在此基礎上對模型性能進行了比較分析，并從六個不同維度進行總結；隨后，介紹了用于抗擊COVID-19的現有應用系統。最后，對該領域的未來發展趨勢進行了探討分析。
付費5元查看完整內容
相關內容
摘要： 圖像修復是計算機視覺領域中極具挑戰性的研究課題。近年來,深度學習技術的發展推動了圖像修復性能的顯著提升,使得圖像修復這一傳統課題再次引起了學者們的廣泛關注。文章致力于綜述圖像修復研究的關鍵技術。由于深度學習技術在解決“大面積缺失圖像修復”問題時具有重要作用并帶來了深遠影響,文中在簡要介紹傳統圖像修復方法的基礎上,重點介紹了基于深度學習的修復模型,主要包括模型分類、優缺點對比、適用范圍和在常用數據集上的性能對比等,最后對圖像修復潛在的研究方向和發展動態進行了分析和展望。
付費5元查看完整內容
摘要 深度學習研究發展至今已可以勝任各類識別、分類、生成任務，但是對于不同的任務，神經網絡的結構或參數不可能只是微小的變化，依然需要專家進行調整.在這樣的情況下，自動化地調整神經網絡的結構或參數成為研究熱點.其中，以達爾文自然進化論為靈感的神經進化成為主要優化方法.利用神經進化優化的深度學習模型以種群為基礎，通過突變、重組等操作進化，可實現自動地、逐步地構建神經網絡并最終選擇出性能最優的深度學習模型. 本文簡述了神經進化與進化計算；詳細概述了各類基于神經進化的深度學習模型；分析了各類模型的性能；總結了神經進化與深度學習融合的前景并探討下一步的研究方向.
付費5元查看完整內容
摘要：醫學影像分割是計算機視覺在醫學影像處理中的一個重要應用領域，其目標是從醫學影像中分割出目標區域，為后續的疾病診斷和治療提供有效的幫助。近年來深度學習技術在圖像處理方面取得了巨大進展，基于深度學習的醫學影像分割算法逐漸成為該領域研究的重點和熱點。首先敘述了計算機視覺下的醫學影像分割任務及其難點，然后重點綜述了基于深度學習的醫學影像分割算法，對當前具有代表性的相關方法進行了分類和總結，進而介紹了醫學影像分割算法常用的評價指標和數據集。最后，對該技術的發展進行了總結和展望。
付費5元查看完整內容
2020 年年初, 新型冠狀病毒感染的肺炎 (COVID-19) 爆發, 中國采取了全面嚴格的防控舉措 全力抗擊疫情. 地方疫情指揮部門及時通報疫情感染數據, 有助公眾了解疫情的發展, 及時做好防護 措施. 各地患者病例詳情數據主要以文本形式記錄, 信息描述復雜, 且各省市匯報的格式各異, 處理難 度較大. 我們面向全國湖北省外近二分之一匿名的患者病例詳情數據, 提出了應用自然語言處理技術, 輔助病例數據結構化的方法. 該方法可以在標記樣本較少的情況下, 借助預訓練模型, 準確有效地提 取出病例文本中的關鍵信息. 通過對較大規模患者結構化病例數據的挖掘, 本文詳細分析了新型冠狀 肺炎總體發病性別和年齡分布特點、主要感染原因、潛伏期特點及疫情趨勢等特征. 由于潛伏期等時 間延遲的存在, 確診人數往往不能反映一個地區的真實感染情況, 結合出行大數據, 本文提出了一個 合理推斷武漢市等城市實際感染人數的方法. 該方法有助于人們提前估計地區疫情發展情況, 及早采 取防護措施. 也可以輔助地方相關部門科學決策, 盡早調度醫務人員和分配醫療資源。
//scis.scichina.com/cn/2020/SSI-2020-0029.pdf
付費5元查看完整內容
目標檢測的任務是從圖像中精確且高效地識別、定位出大量預定義類別的物體實例。隨著深度學習的廣泛應用，目標檢測的精確度和效率都得到了較大提升，但基于深度學習的目標檢測仍面臨改進與優化主流目標檢測算法的性能、提高小目標物體檢測精度、實現多類別物體檢測、輕量化檢測模型等關鍵技術的挑戰。針對上述挑戰，本文在廣泛文獻調研的基礎上，從雙階段、單階段目標檢測算法的改進與結合的角度分析了改進與優化主流目標檢測算法的方法，從骨干網絡、增加視覺感受野、特征融合、級聯卷積神經網絡和模型的訓練方式的角度分析了提升小目標檢測精度的方法，從訓練方式和網絡結構的角度分析了用于多類別物體檢測的方法，從網絡結構的角度分析了用于輕量化檢測模型的方法。此外，對目標檢測的通用數據集進行了詳細介紹，從4個方面對該領域代表性算法的性能表現進行了對比分析，對目標檢測中待解決的問題與未來研究方向做出預測和展望。目標檢測研究是計算機視覺和模式識別中備受青睞的熱點，仍然有更多高精度和高效的算法相繼提出，未來將朝著更多的研究方向發展。
付費5元查看完整內容
摘要：近年來,基于深度學習的表面缺陷檢測技術廣泛應用在各種工業場景中.本文對近年來基于深度學習的表面缺陷檢測方法進行了梳理,根據數據標簽的不同將其分為全監督學習模型方法、無監督學習模型方法和其他方法三大類,并對各種典型方法進一步細分歸類和對比分析,總結了每種方法的優缺點和應用場景.本文探討了表面缺陷檢測中三個關鍵問題,介紹了工業表面缺陷常用數據集.最后,對表面缺陷檢測的未來發展趨勢進行了展望.
付費5元查看完整內容
摘要： 大數據時代,數據呈現維度高、數據量大和增長快等特點。如何有效利用其中蘊含的有價值信息,以實現數據的智能化處理,已成為當前理論和應用的研究熱點。針對現實普遍存在的多義性對象,數據多標簽被提出并被廣泛應用于數據智能化組織。近年來,深度學習在數據特征提取方面呈現出高速、高精度等優異性,使基于深度學習的多標簽生成得到廣泛關注。文中分五大類別總結了最新研究成果,并進一步從數據、關系類型、應用場景、適應性及實驗性能方面對其進行對比和分析,最后探討了多標簽生成面臨的挑戰和未來的研究方向。
付費5元查看完整內容
COVID-19大流行在全球蔓延，已引發迫切需要為抗擊對人類人口的巨大威脅作出貢獻。計算機視覺作為人工智能的一個子領域，最近在解決醫療保健中的各種復雜問題方面取得了成功，并有可能在控制COVID-19的斗爭中做出貢獻。為了響應這一號召，計算機視覺研究人員正在試驗他們的知識庫，以設計有效的方法來應對COVID-19的挑戰，并為全球社會服務。新的貢獻每天都在分享。它促使我們回顧最近的工作，收集有關現有研究資源的信息和對未來研究方向的指示。我們想把它提供給計算機視覺研究社區，以節省他們寶貴的時間。本調查報告旨在對計算機視覺與COVID-19大流行對抗的現有文獻進行初步綜述。
付費5元查看完整內容
題目： 新型冠狀病毒肺炎流行病學特征的最新認識
簡介： 中華預防醫學會新型冠狀病毒肺炎防控專家組在文獻回顧和專家研討基礎上，形成了對新型冠狀病毒肺炎流行病學特征的最新認識。病毒最初的來源為武漢市華南海鮮市場，穿山甲為潛在的動物宿主。目前傳染源主要是新型冠狀病毒感染的患者，隱性感染者也可能成為傳染源，主要經呼吸道飛沫傳播和接觸傳播，人群普遍易感。平均潛伏期5.2 d，流行初期基本再生數（R0）為2.2。患者多數表現為普通型和輕型。病死率為2.38%，合并基礎疾病的老年男性病死率較高。新型冠狀病毒肺炎的防控要點包括完善疫情信息監測、隔離診治傳染源、加快疑似病例診斷、規范密切接觸者管理、重視聚集性疫情防控和院內感染防控、關注返程人員的疫情防控和加強社區防控。
新型冠狀病毒肺炎（novel coronavirus pneumonia，NCP），簡稱新冠肺炎，其病原體為新型冠狀病毒。WHO已將該疾病正式命名為2019冠狀病毒病（corona virus disease 2019，COVID-19）。自2019年12月12日首例患者入院以來，截至2020年2月10日，我國累計報告新型冠狀病毒肺炎確診病例42 708例，累計死亡1 017例[1]。其中，湖北省和武漢市的累計確診病例分別占全國的74.3%和43.2%，是疫情防控的重中之重。同時，中國以外有24個國家和地區報告確診病例395例，累計死亡1例[2]。中華預防醫學會新型冠狀病毒肺炎防控專家組基于文獻綜述、專家研討等方法，形成了對新型冠狀病毒肺炎流行病學特征的最新認識，以便讀者能不斷積累對這個新發傳染病的認識，提高防控意識，共同應對疫情。
內容概述：
- 傳染源
- 傳播途徑
- 易感人群
- 流行特征
- 臨床特征
- 防控要點
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191