目的探讨昼夜温差(diurnal temperature range,DTR)影响慢性肾脏病(chronic kidney diseases,CKD)日住院人次的影响。方法收集2019年1月1日至2020年12月31日乌鲁木齐市4所三甲医院、4所二甲医院、1所一甲医院CKD日住院人次数据,同期气...目的探讨昼夜温差(diurnal temperature range,DTR)影响慢性肾脏病(chronic kidney diseases,CKD)日住院人次的影响。方法收集2019年1月1日至2020年12月31日乌鲁木齐市4所三甲医院、4所二甲医院、1所一甲医院CKD日住院人次数据,同期气象及污染物数据来自于乌鲁木齐市主城区的6个国控监测点,采用分布滞后非线性模型,控制星期几效应、假期效应、长期时间趋势及其它因素,分析DTR与CKD日住院人次的关系。结果CKD日住院人次与DTR(滞后0~21 d)的暴露-反应曲线呈“N”形,CKD患者住院风险随DTR的升高呈先上升后下降趋势。低度和高度DTR对CKD患者住院的影响存在一定的滞后效应,中度DTR对住院影响较小;DTR=5℃时,单日效应出现在第3天[RR=1.081,95%CI(1.020,1.145),P<0.05],最大效应出现在第21天[RR=1.090,95%CI(1.014,1.173),P<0.05];高度DTR=14℃(P_(95))时,单日效应出现在第4天[RR=1.086,95%CI(1.007,1.172),P<0.05],最大效应出现在第5天[RR=1.089,95%CI(1.009,1.176),P<0.05],累积滞后均暂未发现有统计学差异。男性和年龄<65岁的CKD患者更易受到DTR的影响,寒冷季节和四季更替时DTR变化对CKD患者住院的影响更大。结论男性与<65岁CKD患者更易受到DTR的影响,在寒冷季节和四季交替DTR变化时更应重点保护易感人群免受DTR的影响。展开更多
针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature an...针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature and Polarized self-attention)。首先,建立黄河兰州段小目标水漂垃圾数据集,将空洞卷积结合ResNet-50代替原来的VGG-16(Visual Geometry Group 16)作为主干特征提取网络,扩大感受野以提取更多小目标特征;其次,在区域生成网络(RPN)利用多尺度特征,设置3×3和1×1的两层卷积,补偿单一滑动窗口造成的特征丢失;最后,在RPN前加入极化自注意力,进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系,生成具有全局特征的特征图,实现更精确的目标框定位。实验结果表明,MP-Faster-RCNN能有效提高水漂垃圾检测精度,与原始Faster-RCNN相比,平均精度均值(mAP)提高了6.37个百分点,模型大小从521 MB降到了108 MB,且在同一训练批次下收敛更快。展开更多
文摘针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature and Polarized self-attention)。首先,建立黄河兰州段小目标水漂垃圾数据集,将空洞卷积结合ResNet-50代替原来的VGG-16(Visual Geometry Group 16)作为主干特征提取网络,扩大感受野以提取更多小目标特征;其次,在区域生成网络(RPN)利用多尺度特征,设置3×3和1×1的两层卷积,补偿单一滑动窗口造成的特征丢失;最后,在RPN前加入极化自注意力,进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系,生成具有全局特征的特征图,实现更精确的目标框定位。实验结果表明,MP-Faster-RCNN能有效提高水漂垃圾检测精度,与原始Faster-RCNN相比,平均精度均值(mAP)提高了6.37个百分点,模型大小从521 MB降到了108 MB,且在同一训练批次下收敛更快。