由于超声图像具有噪声强、质量低和边界模糊等特征，获取可靠的注释非常耗时费力，提出基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法。首先，通过不确定性修正金字塔一致性（URPC）的半监督分割方法充分利用未标记数据训练模型减轻费时费力的标注压力。其次，提出一种基于边缘检测的双编码器结构，并利用边缘检测编码器辅助超声斑块图像特征编码器充分获取边缘信息；另外，设计了一个多尺度融合模块（MSFM），通过自适应融合多尺度特征改善提取不规则形状斑块的结果，并结合一个级联通道空间注意力（CCSA）模块更好地关注斑块区域；最后，在超声颈动脉斑块图像数据集上评估所提方法。实验结果表明，所提方法在该数据集上的Dice指标和交并比（IoU）指标比监督方法CA-Net（Comprehensive Attention convolutional neural Network）分别提升了约2.8和6.3个百分点，比半监督方法循环原型一致性学习（CPCL）分别提高了约1.8和1.3个百分点，所提方法可以有效提高超声颈动脉斑块图像的分割准确度。
由于社交媒体平台上所发布的非结构化信息存在数据不一致、重要程度不同等问题，使自动准确抽取所需信息并标注受灾级别成为一个有挑战性的工作。因此，结合形式概念分析（FCA）、词共现关系和上下文语义信息构建了水灾事件知识体系。利用所构建的知识体系，基于TencentPretrain框架对大规模语言预训练模型（LLM）进行指令微调，构建了ChatFlowFlood信息抽取模型，可以在少量人工标记情况下，准确自动抽取被困情况、紧缺物资等信息；在信息抽取模型的基础上，通过模糊层次分析法（FAHP）和CRITIC法（CRiteria Importance Through Intercriteria Correlation）主客观结合评定求助信息的救援优先级，帮助决策者理解灾情紧急程度。实验结果表明，在中文社交媒体数据上，与ChatFlow-7B模型相比，ChatFlowFlood模型的FBERT指标提升了73.09%。
可编程逻辑控制器（PLC）的控制逻辑注入攻击通过篡改控制程序操纵物理过程，从而达到影响控制过程或破坏物理设施的目的。针对PLC控制逻辑注入攻击，提出了一种基于白名单规则自动化生成的入侵检测方法PLCShield （Programmable Logic Controller Shield）。所提方法以PLC控制程序承载着全面、完整的物理过程控制信息为依据，主要包括两个阶段：首先，通过分析PLC程序的配置文件、指令功能、变量属性和执行路径等信息，提取程序属性、地址、值域和结构等检测规则；其次，采用主动请求PLC的运行“快照”和被动监听网络流量结合的方式，实时获取PLC当前的运行状态和流量中的操作、状态等信息，并通过对比得到的信息与检测规则识别攻击行为。以4款不同厂商和型号的PLC作为研究案例验证PLCShield的可行性，实验结果表明所提方法的攻击检测准确度达到97.71%以上，验证了所提方法的有效性。
利用城市大数据发现社区结构是城市计算中重要的研究方向。有效表示面向“15分钟生活圈”社区的结构特征可以细粒度地评价生活圈社区周围的设施情况，有利于城市规划建设，创造宜居的生活环境。首先，定义了面向“15分钟生活圈”的城市社区结构，并采用表示学习方法获取生活圈社区的结构特征；然后，提出了生活圈社区结构的嵌入表示框架，框架中利用居民的出行轨迹数据确定兴趣点（POI）与居民区的关系，构建反映不同时段居民出行规律的动态活动图；最后，对构建的动态活动图采用自编码器进行表示学习得到生活圈社区潜在特征的向量表示，从而有效概括居民日常活动所形成的社区结构。针对生活圈社区便利性评价、相似性度量等应用，利用真实数据集进行了实验评估，结果表明，分POI类别的日周期的潜在表示方法优于星期周期的潜在表示方法，且前者的归一化折损累计增益（NDCG）比后者最少提升了24.28%，最多提升了60.71%，验证了所提方法的有效性。
利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析，至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多，线虫边缘像素与周围环境相似，而且线虫的体态具有鞭毛和其他附着物需要分离，多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题，提出了一种基于深度学习的线虫分割方法，通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先，通过改进多级特征池化将高级语义特征与低级边缘特征融合，结合大幅度软最大损失(LMSL)损失算法改进损失计算；然后，改进非极大值抑制；最后，引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明，相比原始的Mask R-CNN，该方法平均精确率(AP)提升了4.3个百分点，平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率，在显微图像中更加精确地分割出线虫体。
