结合灰度共生特征和水平集算法的宫颈醋白区域分割

肉眼醋酸实验是宫颈癌筛查的重要手段,使阴道镜设备具备自动识别醋白区域的功能是解决在临床上缺乏有经验医生这一难题的有效方法。针对这一目的,提出了一种建立在灰度共生特征矩基础上的CV模型水平集算法。该方法首先使用k-means聚类从肉眼醋酸实验后的原始宫颈图像中分割出宫颈区域,继而利用合成的灰度共生特征矩对宫颈区域进行醋白特征提取并获得待分割的特征图,最后使用改进的CV水平集算法对特征图进行分割并得到醋白区域。实验结果显示:改进后的CV水平集算法比传统CV水平集算法的敏感度在平均值上低26.6%,比分水岭分割高47.6%,比模糊聚类分割高11.23%;其特异性在平均值上比水平集分割高29.45%,比分水岭分割低11.64%,比模糊聚类高45.23%;而以Jaccard Index(JI)统计的精度指标在平均值上比传统CV水平集算法高19.74%,比分水岭算法高23.27%,比模糊聚类高38.11%。该新方法在总体性能指标上精度更高。     

抵御对抗样本攻击的指纹室内定位方法

随着城市智能化的发展, 基于WiFi接收信号强度(RSS)的指纹室内定位服务受到社会的广泛关注。深度学习技术是利用RSS信号获得高室内定位性能的一种重要手段, 但其易遭受对抗样本攻击, 给定位系统带来严重安全隐患。为此, 提出了一种抵御对抗样本攻击的基于深度学习的RSS指纹室内定位方法(AdvILoc)。该方法基于图像识别领域对抗样本防御方法的研究和分析, 结合室内RSS指纹数据特征单一且高维的特点, 通过在RSS指纹室内定位深度学习模型中添加池化层、全连接层, 以及满足差分隐私的噪声层来抵御对抗样本攻击, 解决了基于深度学习的室内定位模型易过拟合且泛化能力不高的问题。通过添加Dropout层, 以及设计模型参数正则化方法, 提高模型抵御对抗样本攻击的鲁棒性。在2个真实RSS指纹室内定位数据集上的实验结果表明:与已有基于多层感知机(MLP)、卷积神经网络(CNN)的RSS指纹室内定位方法相比, 所提方法在保证时间开销和基本不影响定位模型性能的情况下, 提高了模型抵御对抗样本攻击的鲁棒性；在满足l₂范式规范的C&W攻击下, 随着攻击大小不断增大, 模型的定位准确率下降也更平稳。