深度学习在医学影像分割领域得到广泛应用,其中,2015 年提出的 U-Net 因其分割小目标效果较好、结构具有可扩展性,自提出以来受到广泛关注.近年来,随着医学图像割性能要求的提升,众多学者针对 U-Net 结构也在不断地改进和扩展,比如编解码器的改进、外接特征金字塔等.通过对基于 U-Net 结构改进的医学影像分割技术,从面向性能优化和面向结构改进两个方面进行总结,对相关方法进行了综述、分类和总结,并介绍图像分割中常用的损失函数、评价参数和模块,进而总结了针对不同目标改进 U-Net 结构的思路和方法,为相关研究提供了参考.

为了减小带隙基准源的温度系数和提高温度补偿的灵活性，设计了一种改进型分段线性补偿方法。利用双极型晶体管的温度非线性在整个温度区域内产生7段不同斜率的补偿电流，通过电流模形式对基准电压的高阶温度分量进行叠加，进而对带隙基准电压实现精确温度补偿。基于0.25 μm BCD工艺设计了一款低温漂高精度的带隙基准源。HSPICE仿真结果表明，在5 V电源电压下，在-40 ℃～125 ℃温度范围内，基准电压的温度系数为0.37×10-6/℃，低频时电路的电源抑制比为-85 dB。电源电压在2 V～5 V范围内，基准电压的线性调整率为0.09 mV/V。

卷 积 神 经 网 络 的 语 义 分 割 模 型 未 有 效 利 用 特 征 权 重 信 息 ，导 致 在 医 学 图 像 复 杂 场 景 中 分 割 边界出现欠分割现象。针对该问题，基于融合自适应加权聚合策略提出一种改进的 U-Net++网络，并将其 应 用 于 电 子 计 算 机 断 层 扫 描 影 像 肺 结 节 分 割 。 该 模 型 首 先 在 卷 积 神 经 网 络 中 提 取 出 不 同 深 度 特 征语义级别的信息，再结合权重聚合模块，自适应地学习各层特征的权重，然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在 LIDC 数据集和重庆大学附属肿瘤医院肺部 电 子 计 算 机 断 层 扫 描 数 据 集 上 进 行 了 分 割 实 验 ，所 提 方 法 的 交 叉 比 在 两 个 数 据 集 上 分 别 可 达 到80.59% 和 87.40%、骰子系数分别可达到 88.23% 和 90.83%。相比 U-Net 和 U-Net++方法，该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割 ，较好地解决了肺结节

蓝牙MAC层调度算法的改进.ppt

蓝牙调频算法的改进与蓝牙家庭网络的研究.doc

蚁群算法的改进与实现6.doc

对原始的music算法只能对不相关的信号的博大方向进行估计，对于相关信号就会出现误差，在此基础上提出了改进的music算法

研究网络中设施的需求一部分来自于网络节点, 一部分来自于过往流量的基于混合需求的设施选址问题。引入引力模型, 以新建设施获得总利润最大为目标建立非线性整数规划模型, 并构造启发式算法, 通过MATLAB进行仿真实验, 将求解结果与GPAH算法及精确算法的结果进行比较。比较结果表明, 提出的算法求解质量高、运行速度快, 可用于大中型网络设施的选址问题。

为解决物流配送路径距离过长导致配送效率低的问题，提出改进蚁群优化算法的电子商务物流配送路径优化方法。以配送费用最低为目标建立电子商务物流配送路径优化的数学模型，通过蚁群算法模拟蚂蚁搜索食物行为，设计电子商务物流配送路径模型，并通过修正信息素挥发系数、确定性和探索性搜索对蚁群算法进行了相应的改进，进行了电子商务物流配送路径优化仿真实验。结果表明，改进蚁群优化算法可以明显提高物流配送效率，缩短配送距离，降低电子商务物流配送成本。

在网络购物不断发展的背景下，基于服装图片的服装分类识别和搭配推荐具有给予消费者搭配建议并帮助商家促进销售的重要意义。深度学习作为机器学习领域的最新研究成果，建模与表征能力强大，在图像处理领域取得了突破成果；改进卷积神经网络通过加入批量归一化、改进卷积层结构、添加冗余分类器改进了原始GoogleNet卷积神经网络，提高了分类精确度和速度。对搭配库训练集进行图片增广，扩增数据集使其更加丰富全面，并提高精确度；运用改进卷积神经网络对增广后的数据集进行服装精细分类，得到图片的服装类别风格以及功能信息；使用感知哈希算法寻找套装图片库中的相似单品及其搭配，并根据精细分类得到图片性别、风格、功能信息，最终综合给出服装搭配推荐，具有重要的现实研究意义。