检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于阶梯网络与交叉融合的端到端图像去雾

光子学报 2022年第2期51卷 218-229页

作者：杨燕张金龙梁小珍兰州交通大学电子与信息工程学院兰州730070

针对卷积神经网络类图像去雾方法存在的细节丢失、颜色失真、去雾不彻底等问题,提出一种基于阶梯网络与注意力交叉融合的端到端图像去雾算法。整体网络模型包含特征提取、特征融合、图像重建三个模块,其中特征提取包括有雾图像细节和轮... 详细信息

针对卷积神经网络类图像去雾方法存在的细节丢失、颜色失真、去雾不彻底等问题,提出一种基于阶梯网络与注意力交叉融合的端到端图像去雾算法。整体网络模型包含特征提取、特征融合、图像重建三个模块,其中特征提取包括有雾图像细节和轮廓特征的提取,由阶梯网络的不同阶梯层提取实现;特征融合模块以注意力机制的交叉融合实现,并结合自适应残差处理获得最终的融合特征;最后在图像重建模块,通过非线性映射的方式获得去雾图像。实验结果表明,所提方法去雾彻底,去雾图像细节丰富,有效地解决了颜色失真和细节丢失问题,同时阶梯网络在很大程度上克服了深度网络的训练耗时问题。

关键词：图像去雾阶梯网络特征融合注意力机制细节恢复

在线全文

学校读者我要写书评

暂无评论

基于半监督密集阶梯网络的工业故障识别

化工学报 2018年第7期69卷 3083-3091页

作者：施方迤汪子扬梁军浙江大学工业控制研究所工业控制技术国家重点实验室浙江杭州310027

针对工业过程故障识别的需要和实际工业数据小比例有标签、大比例无标签的特点,研究了基于深度学习的半监督故障分类方法。在半监督阶梯网络的基础上,通过对网络结构和损失函数的改进,提出了半监督密集阶梯网络算法。该算法改进了原始... 详细信息

针对工业过程故障识别的需要和实际工业数据小比例有标签、大比例无标签的特点,研究了基于深度学习的半监督故障分类方法。在半监督阶梯网络的基础上,通过对网络结构和损失函数的改进,提出了半监督密集阶梯网络算法。该算法改进了原始的网络结构,添加了各层之间的密集连接,尝试最大化阶梯网络内部的数据信息流,使得各编码解码层之间的特征得以传递和复用。针对损失函数的特点,添加了无噪声编码层的预测输出损失,确保训练目标与模型输出一致。实验结果证明了所提出的新方法能在工业过程的小比例有标签数据情况下,获得理想的分类效果。

关键词：半监督学习阶梯网络密集连接工业故障分类算法神经网络优化自编码器

在线全文

学校读者我要写书评

暂无评论

基于改进阶梯网络的高光谱半监督分类算法

激光与光电子学进展 2021年第24期58卷 472-482页

作者：关世豪杨桄卢珊金椿柏李豪徐昭洪空军航空大学吉林长春130022 东北师范大学地理科学学院吉林长春130024 中国人民解放军95910部队甘肃酒泉735000 中国人民解放军95795部队广西桂林541000

针对现有基于阶梯网络(LN)的高光谱图像分类算法无法充分提取图像的空谱特征而导致分类精度降低的问题,提出一种基于改进阶梯网络的高光谱半监督分类算法。首先将三维卷积神经网络(3D-CNN)与长短时记忆(LSTM)网络结合,提出一种新的空谱... 详细信息

针对现有基于阶梯网络(LN)的高光谱图像分类算法无法充分提取图像的空谱特征而导致分类精度降低的问题,提出一种基于改进阶梯网络的高光谱半监督分类算法。首先将三维卷积神经网络(3D-CNN)与长短时记忆(LSTM)网络结合,提出一种新的空谱特征提取(3D-CNN-LSTM)网络,使用该网络分步提取局部空间特征与光谱特征。然后使用3D-CNN-LSTM网络对阶梯网络的编码器与解码器进行改进,提出一种3D-CNN-LSTM-LN半监督分类算法,增强阶梯网络的特征提取能力。最后在Pavia University和Indian Pines两个数据集上对不同算法进行实验。实验结果表明,在小样本条件下,所提算法取得了最佳的分类效果,验证了所提算法具有优越性。

关键词：遥感高光谱图像半监督分类阶梯网络空谱特征提取

基于改进半监督阶梯网络的有载分接开关故障诊断方法

在线全文

学校读者我要写书评

暂无评论

电力工程技术 2023年第2期42卷 197-205页

作者：郑尚直仲林林王同磊高丙团东南大学电气工程学院江苏南京210096 国网江苏省电力有限公司电力科学研究院江苏南京211103

有载分接开关(on-load tap changer,OLTC)是变压器实现有载调压的关键部件,具有复杂的机电结构。基于振动信号的OLTC机械故障诊断目前存在样本标记难度高而难以有效训练的难题。文中提出一种基于贝叶斯优化和卷积算子改进的阶梯网络(Bay... 详细信息

有载分接开关(on-load tap changer,OLTC)是变压器实现有载调压的关键部件,具有复杂的机电结构。基于振动信号的OLTC机械故障诊断目前存在样本标记难度高而难以有效训练的难题。文中提出一种基于贝叶斯优化和卷积算子改进的阶梯网络(Bayesian optimization-convolutional ladder networks,BO-ConvLN),可在少标签情况下提高OLTC机械故障诊断的精度。首先,引入阶梯网络对振动信号进行半监督学习,充分利用大量无标签样本的潜在信息对特征提取过程进行指导,提升少标签情况下阶梯网络的诊断性能。然后,用卷积算子替代阶梯网络中的全连接形式的线性变换,增强阶梯网络对非平稳振动信号的特征提取能力。在此基础上,借助贝叶斯优化对阶梯网络高维超参数进行寻优,在有限时间成本下显著提升了模型的诊断精度。实验结果显示,在仅有40个标签的情况下,对传动卡涩、芯子润滑不足、顶盖松动3类故障的诊断精度达91.67%,证明了BO-ConvLN在故障诊断中的有效性。

关键词：有载分接开关(OLTC) 故障诊断振动信号阶梯网络半监督学习贝叶斯优化

在线全文

学校读者我要写书评

暂无评论

面对高光谱影像分类的半监督阶梯网络

测绘科学技术学报 2017年第6期34卷 576-581页

作者：刘冰余旭初张鹏强谭熊魏祥坡信息工程大学河南郑州450001

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适... 详细信息

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。

关键词：高光谱影像堆栈式自编码器阶梯网络半监督分类纹理特征

在线全文

学校读者我要写书评

暂无评论

基于改进的半监督阶梯网络SAR图像识别

南京大学学报（自然科学版） 2021年第1期57卷 160-166页

作者：高春永柏业超王琼南京大学电子科学与工程学院南京210093

针对目前SAR(Synthetic Aperture Radar)图像中样本人工标记成本高、传统算法分类识别较低的情况,提出一种基于改进半监督阶梯网络(Semi⁃supervised Ladder Network,SSLN)的SAR图像分类识别方法.首先在原SSLN模型的解码器网络中使用卷... 详细信息

针对目前SAR(Synthetic Aperture Radar)图像中样本人工标记成本高、传统算法分类识别较低的情况,提出一种基于改进半监督阶梯网络(Semi⁃supervised Ladder Network,SSLN)的SAR图像分类识别方法.首先在原SSLN模型的解码器网络中使用卷积神经网络代替全连接层,对编码器输出的每层数据进行全局深度特征提取,这样做有利于图像降噪,实现对输出数据的重构.其次,为解决SAR图像各类数据集分布不均衡的问题,同时提高网络的泛化性能,对阶梯网络训练层中各类别损失函数的权重进行优化,根据各类别样本数所占总样本数的比重,对少样本类别损失函数调高权重,对多样本类别损失函数调低权重.在公开数据集MSTAR(Moving and Stationary Target Automatic Recognition)上的实验表明,改进后的半监督阶梯网络分类的识别准确度明显优于SSLN算法,且具有更好的泛化性.

关键词：半监督学习阶梯网络图像识别卷积神经网络类别不均衡合成孔径雷达

在线全文

学校读者我要写书评

暂无评论

基于半监督阶梯网络的测井岩性识别研究

基于半监督阶梯网络的测井岩性识别研究

作者：牛艳春中国石油大学(北京)

学位级别：硕士

岩性识别是储层表征与建模的重要基础,岩心描述是最准确的识别岩性的手段。由于获取岩心成本高,因此岩心标定标签的测井样本数量较少,存在大量无标签的测井数据。常用的有监督学习方法建立岩性预测模型时仅利用少量有标签样本,而忽略大... 详细信息

岩性识别是储层表征与建模的重要基础,岩心描述是最准确的识别岩性的手段。由于获取岩心成本高,因此岩心标定标签的测井样本数量较少,存在大量无标签的测井数据。常用的有监督学习方法建立岩性预测模型时仅利用少量有标签样本,而忽略大量无标签样本,所建立的模型精度有限。为此,本文引入半监督阶梯网络算法进行测井岩性识别,该算法通过加入侧向连接使有监督学习和无监督学习融合,同时运用有标签样本和无标签样本训练模型。为了进一步强化模型的特征传播能力、提升岩性识别精度,本文在阶梯网络的基础上加入斜侧向连接改进网络结构,建立了改进的阶梯网络测井岩性识别模型。通过对改进的阶梯网络优化器和关键参数如网络层数、初始学习率和噪声方差等参数进行实验分析,得出模型的最优参数范围。针对测井岩性识别问题,对比分析改进的阶梯网络模型、原始阶梯网络模型以及四种有监督模型的识别效果,得出阶梯网络比有监督模型的平均准确率提高了约7.1%。而在改进的阶梯网络中,斜侧向连接取平均值法对应的改进模型效果最佳,比原始阶梯网络提高了约3.2%,每种岩性上的F-score相比其他模型也均有提高。实验表明,改进的半监督阶梯网络算法可有效地进行测井岩性识别。

关键词：岩性识别半监督学习阶梯网络测井网络结构

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进阶梯网络算法的广告转化率预测

基于改进阶梯网络算法的广告转化率预测

作者：李岩江苏科技大学

学位级别：硕士

得益于互联网的快速发展,搜索广告和电商广告在互联网广告中的占比越来越高,成为互联网行业最主要的商业模式之一。同时搜索广告以其巨大的商业价值和研究价值吸引了大量的专家学者,在学术界得到了广泛的研究。搜索广告的转化率,作为衡... 详细信息

得益于互联网的快速发展,搜索广告和电商广告在互联网广告中的占比越来越高,成为互联网行业最主要的商业模式之一。同时搜索广告以其巨大的商业价值和研究价值吸引了大量的专家学者,在学术界得到了广泛的研究。搜索广告的转化率,作为衡量广告转化效果的指标,从广告创意、商品品质、商店质量等多个角度综合刻画用户对广告商品的购买意向。准确预估转化率,能够使得广告主匹配到最可能购买自家商品的用户,也能让用户快速找到购买意愿最强的商品,从而提升在电商平台中的用户体验。广告转化率数据的数据量较为庞大,数据结构复杂,给准确预估广告转化率任务带来了挑战。逻辑回归算法复杂度低,并且其目标函数也较好地契合了任务需求,因此被广泛运用于广告转化率预测中去,但是逻辑回归算法对特征工程要求较高,需要在特征选择和生成阶段花费大量的时间。半监督学习算法可以有效地提取特征并减少特征工程的时间,同时可以直接应用于广告转化率任务。基于上述背景,本文以半监督学习算法阶梯网络作为理论基础,并着眼于广告转化率任务进行了如下研究:1)对半监督学习算法阶梯网络进行分析,并针对其网络拓扑结构进行改进,进而增强模型的表达能力,提升模型性能。本文在阶梯网络的编码器部分引入了浅层网络,浅层网络神经元数量以及层数都较小,在适当增加算法复杂度的同时提升模型的表达能力。2)通过增加正则项来改进阶梯网络的优化函数,从而提升模型的泛化能力。并根据广告转化率数据的特点,对于高维离散特征通过嵌入层进行降维并与连续特征合并,然后将合并后的特征向量输入改进后的阶梯网络进行训练,使模型更符合任务需求。3)在阿里妈妈真实的广告数据上进行实验,通过与其他模型对比证明了该算法通过对网络拓扑结构以及优化函数的改进使模型在精度上有较好的提升,具体分析了不同超参数对模型性能的影响。然后使用不同的采样比例对大规模数据集采样后进行实验,实验结果表明选取合适的抽样比例可以在缩小训练集规模的同时不降低模型精度。

关键词：半监督学习阶梯网络深度神经网络广告转化率预测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于半监督阶梯网络的肝脏CT影像分割方法

基于半监督阶梯网络的肝脏CT影像分割方法

作者：金兰依吉林大学

学位级别：硕士

传统的机器学习算法需要采用大量的有标记样本进行学习,从而建立模型用于预测未知样本的标记,即监督学习。监督学习是机器学习中被研究最多,且应用最广泛的一种学习途径。近年来,伴随着计算机技术的飞速发展,数据的收集和存储已变得相... 详细信息

传统的机器学习算法需要采用大量的有标记样本进行学习,从而建立模型用于预测未知样本的标记,即监督学习。监督学习是机器学习中被研究最多,且应用最广泛的一种学习途径。近年来,伴随着计算机技术的飞速发展,数据的收集和存储已变得相当容易,使得深度学习技术在人工智能的许多领域取得了卓越的成果。深度学习的方法大多采用监督学习模式,而实际应用中,获取大量有标记的示例可能需要耗费大量的人力物力。利用少量标注样本和大量未标注样本进行的机器学习,即介于无监督学习和有监督学习之间的半监督学习,半监督学习可以有效的减少对人工标注的依赖,这使它成为机器学习的热门领域。本文提出一种基于半监督学习的阶梯网络,该方法通过每层的横向连接,利用无监督学习来补充监督学习,以达到对大量未标记数据的有效利用。将其应用于腹部CT影像肝脏分割,取得了较好的效果。构建基于梯形网络的半监督架构,分别内嵌多层感知机与卷积神经网络,利用代价函数实现网络参数的更新。提取腹部影像中子图像（patch）,放入网络中训练。该过程将产生大量的冗余信息,为减少冗余信息,采用超像素方法剔除肝实质与腹部的其他脏器信息,仅保留肝脏边缘区域,得到肝脏轮廓的粗分割图片。为了补充在编码通道中丢失的细节信息,解码通道在每层都具有从加噪编码器到解码器的横向连接,并且每层都对成本函数有贡献,使得深层网络的每一层都能得到有效的学习。为了缓解过拟合的问题,在网络的每层增加批量归一化,加快网络的收敛速度。网络采用ReLU函数作为激活函数,解决了梯度消失等问题。实验数据表明,本文提出的算法具有较高的精度,在标签占总数据的8%时,像素分类的准确值为91.53%和92.04%。本文通过实验验证未标记样本对算法准确率的影响,证明了半监督阶梯网络中未标记数据的有用性。

关键词：半监督学习阶梯网络医学图像分割超像素