检索结果-南通市图书馆

基于多传感器融合的视觉感知困难样本挖掘方法

在线全文

学校读者我要写书评

暂无评论

机车电传动 2021年第6期 93-99页

作者：林军潘文波游俊徐阳翰中车株洲电力机车研究所有限公司湖南株洲412001

视觉感知困难样本能有效提升自动驾驶场景中目标检测算法的性能,但是这些样本通常稀少且难以通过简单手段获取。针对该问题,文章提出一种基于多传感器融合的视觉感知困难样本挖掘方法。该方法利用雷达点云分割出来的障碍物目标对图像检... 详细信息

视觉感知困难样本能有效提升自动驾驶场景中目标检测算法的性能,但是这些样本通常稀少且难以通过简单手段获取。针对该问题,文章提出一种基于多传感器融合的视觉感知困难样本挖掘方法。该方法利用雷达点云分割出来的障碍物目标对图像检测目标进行交叉复核,基于实际障碍物在多传感器间的映射关系挖掘图像目标检测算法难以识别或者未加入模型训练的样本,并将这些困难样本通过云边协同机制用于图像目标检测模型的重训练和远程部署,实现模型的优化迭代更新。试验表明,该方法可以有效挖掘矿用卡车自动驾驶场景的困难样本,通过增量迁移学习显著提升图像目标检测算法性能。同时,该算法对轨道交通等领域自动驾驶场景也具有重要的指导意义。

关键词：困难样本挖掘多传感器融合深度学习视觉感知自动驾驶

在线全文

学校读者我要写书评

暂无评论

残差网络下基于困难样本挖掘的目标检测

激光与光电子学进展 2018年第10期55卷 105-111页

作者：张超陈莹江南大学轻工过程先进控制教育部重点实验室江苏无锡214122

为了提高图像目标的检测精度,提出一种在残差网络下设计基于困难样本挖掘的目标检测算法。首先阐述基于深度学习的目标检测算法,即超快速区域卷积神经网络(Faster R-CNN)的工作原理,分析该算法存在的不足与改进方式。在Faster R-CNN的... 详细信息

为了提高图像目标的检测精度,提出一种在残差网络下设计基于困难样本挖掘的目标检测算法。首先阐述基于深度学习的目标检测算法,即超快速区域卷积神经网络(Faster R-CNN)的工作原理,分析该算法存在的不足与改进方式。在Faster R-CNN的基础上,为了使模型能提取更有效的深度卷积特征,选取网络更深的残差网络替换原始的ZF或VGG网络。为了使学习到的网络模型有更强的泛化能力,在网络训练过程中,利用困难样本更新网络参数,使网络训练更充分。在Pascal VOC2007、Pascal VOC2007+Pascal VOC2012和BIT这三个数据集中进行训练和测试,实验结果显示,融合了两种方法的Faster R-CNN在这三个数据集上的检测精度分别提升了3.5%、7.1%、6.4%,提升效果明显。

关键词：图像处理目标检测超快速区域卷积神经网络残差网络困难样本挖掘

在线全文

学校读者我要写书评

暂无评论

困难样本采样联合对比增强的深度图聚类

计算机应用研究 2024年第6期41卷 1769-1777页

作者：朱玄烨孔兵陈红梅包崇明周丽华云南大学信息学院昆明650504

针对困难样本挖掘的图聚类算法是最近的研究热点,目前算法存在的主要问题有:对比方法和样本对加权策略缺少良好的融合机制;采样正样本时忽略了视图内部的“假阴性”样本;忽视图级信息对聚类的帮助。针对上述问题,提出困难样本采样联合... 详细信息

针对困难样本挖掘的图聚类算法是最近的研究热点,目前算法存在的主要问题有:对比方法和样本对加权策略缺少良好的融合机制;采样正样本时忽略了视图内部的“假阴性”样本;忽视图级信息对聚类的帮助。针对上述问题,提出困难样本采样联合对比增强的图聚类算法。首先使用自编码器学习嵌入,根据计算的伪标签、相似度、置信度信息为表示学习设计一种自加权对比损失,统一不同视图下节点对比和困难样本对加权策略。通过调整不同置信区域样本对的权重,损失函数驱动模型关注不同类型的困难样本以学习有区分性的特征,提高簇内表示的一致性和簇间表示的差异性,增强对样本的判别能力。其次,图级表示经聚类网络投影,通过聚类对比损失最大化不同视图下聚类的表示一致性。最后联合两种对比损失,利用自监督训练机制进行迭代优化,完成聚类任务。该算法在5个真实数据集上与9个基准聚类算法对比,在4个权威指标上达到最优,聚类性能出色。消融实验表明两个对比模块的有效性和可迁移性。

关键词：图表示学习属性图聚类对比学习困难样本挖掘

面向多标签文本分类的类别语义与不平衡分布方法研究

在线全文

学校读者我要写书评

暂无评论

面向多标签文本分类的类别语义与不平衡分布方法研究

作者：陆奇杭州电子科技大学

学位级别：硕士

伴随大数据时代一同而来的是人们对于信息挖掘能力更高的需求。在信息挖掘的相关任务中,文本分类在情感分类、知识图谱构建等诸多应用中扮演着十分重要的角色,获得了广泛的关注。相较于单标签文本分类任务,多标签文本分类有助于挖掘出... 详细信息

伴随大数据时代一同而来的是人们对于信息挖掘能力更高的需求。在信息挖掘的相关任务中,文本分类在情感分类、知识图谱构建等诸多应用中扮演着十分重要的角色,获得了广泛的关注。相较于单标签文本分类任务,多标签文本分类有助于挖掘出更多的文本信息,也更加具有挑战性,具体体现在样本标签的种类呈指数级增长、数据不平衡问题更难处理等。为了更好地解决多标签文本分类任务中存在的类别标签信息利用不充分以及数据分布不平衡的问题,本文提出了两种多标签文本分类方法,主要贡献如下:(1)针对传统文本分类模型对于类别标签信息利用不充分的情况,本文提出了一种分类语义嵌入算法。与其他在特征提取阶段融合标签信息的方法不同,分类语义嵌入算法考虑到分类器对于先验知识的缺乏,通过分析分类器参数与类别原型的关系,使用标签文本词嵌入特征作为分类器的参数,利用端到端模型的特点,从分类阶段自下而上地将标签信息融入到模型之中。分类语义嵌入算法在没有使用额外网络结构增加模型负担的情况下,既改善了模型对于多标签分类任务的指标,又提高了模型的训练效率。(2)针对数据集分布不平衡的问题,本文提出了一种基于困难样本挖掘的多标签文本分类算法。与传统的上采样算法一次性改变训练数据分布的策略不同,困难样本挖掘算法使用自适应阈值在每个训练轮次中根据模型当前的学习情况动态地构建困难样本数据集,从样本而非类别的角度选择采样对象,避免了标签类别组合带来的采样困难问题。此外,为了解决训练数据分布调整带来的模型参数抖动问题,本文引入了指数滑动平均的方法更新模型参数。最后,针对模型非困难样本指标下降的情况,设计了一种可学习的类别权重,通过集成的方式将不同数据分布下训练获得的模型的优势结合在一起。(3)为了验证本文方法的有效性,本文使用上述两种方法在多标签文本分类数据集AAPD与Reuters-21578上进行了实验,并与主流方法进行对比。实验结果表明,使用分类语义嵌入在AAPD数据集中的Micro F1与Hamming Loss两项指标超过了所有对比方法,相较于基准模型而言Micro F1提高了2.3%,Hamming Loss降低了0.0017。在Reuters-21578数据集上的对比中,分类语义嵌入在Hamming Loss指标上取得了最佳,相较于基准模型Micro F1提高了0.96%,Hamming Loss降低了0.0003。使用基于困难样本挖掘的多标签文本分类算法在AAPD数据集中的Micro F1与Hamming Loss两项指标超过了所有对比方法,相较于基准模型Micro F1提高了1.59%,Hamming Loss降低了0.0011。而在Reuters-21578数据集中,使用基于困难样本挖掘的多标签文本分类算法在AAPD数据集中的Micro F1与Hamming Loss两项指标中均取得最佳,相较于基准模型Micro F1提高了1.7%,Hamming Loss降低了0.0005。

关键词：多标签文本分类类别语义信息类别原型困难样本挖掘类不平衡

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

高分辨率遥感图像语义分割方法研究

高分辨率遥感图像语义分割方法研究

作者：薛广阔山东大学

学位级别：硕士

随着遥感技术的快速发展,高分辨率遥感图像的获取越来越便利,高分辨率遥感图像具有更强的细节表达能力和更广的空间信息,可以提供更为准确的地物信息和更全面的地理数据,广泛应用于土地利用与土地覆盖、城市规划、环境监测、农业生产等... 详细信息

随着遥感技术的快速发展,高分辨率遥感图像的获取越来越便利,高分辨率遥感图像具有更强的细节表达能力和更广的空间信息,可以提供更为准确的地物信息和更全面的地理数据,广泛应用于土地利用与土地覆盖、城市规划、环境监测、农业生产等领域。因此针对高分辨率遥感图像进行自动化地智能解译便显得尤为重要,而遥感图像分割技术是遥感图像智能解译的重要组成部分,其分割结果直接决定了遥感图像智能解译的可信赖程度。得益于深度学习技术的飞速发展,特别是计算机视觉算法的创新,遥感图像处理有了全新的处理范式,推动了高分辨率遥感图像分割任务的发展。本文结合对高分辨率遥感图像的深入理解,针对深度神经网络算法在高分辨率遥感图像语义分割任务上的应用进行了深入研究,主要研究内容如下:(1)基于注意力机制与特征对齐的高分辨率遥感图像语义分割。该方法致力于解决高分辨率遥感图像分割中的三个重要问题:上下文信息不足问题、特征移位问题和前景-背景以及前景类间类别不平衡问题。为了获取充足的上下文信息,本方法基于注意力机制设计了上下文增强模块(CAB),它可以针对不同尺度的语义信息应用不同的注意力机制,从而有针对性地增强不同语义层次的特征。同时,本方法提出了一种基于锚点图引导的特征对齐模块(FAB),通过锚点图可以生成更精确的位置偏移量,从而更好地解决遥感图像中地物的特征移位问题。这两个模块相结合可以充分地利用多尺度特征,得到更强的特征表示。此外,基于模拟退火的在线困难挖掘策略(AOHEM)可以在适当的训练阶段进行困难样本挖掘,从而更有效地缓解前景-背景和前景类别之间的不平衡问题。实验结果表明,所提出的方法在两个难度较高的数据集上均取得了可靠的效果,并在分割精度和算法复杂度之间实现了很好的平衡。(2)基于模拟退火策略以及增强对齐的高分辨率遥感图像语义分割。该方法从高分辨率遥感图像中极端的样本不平衡问题出发,对上一工作进行了重新设计。该方法建立在模型可挖掘出更具价值的困难样本这个假设之上,唯有在困难样本上训练出的模型,才能更好地进行特征融合和特征对齐。在模型优化阶段,改进后的AOHEM训练策略会将整个训练过程分为两个阶段,第一阶段使模型着重于提升泛化性能,在模型拥有较好泛化性能可以准确挖掘出困难样本之后,便可在第二阶段挖掘出高置信度的困难样本,同时避免了上一个工作的模型震荡问题。在结构设计上,改进后的CAB模块可以通过三种不同的注意力机制逐步上采样,同时捕获充分的上下文信息,并对要融合的特征进行信息交互;而改进的FAB模块通过显著特征的引导进行特征对齐,相较于上一个工作中的锚点图,显著特征不仅拥有空间信息还包含通道信息,在显著特征的引导下能够生成更精确的位置偏移量,进行更准确的特征对齐。值得一提的是,本文提出的AOHEM损失函数、CAB模块以及FAB模块在识别任务上是通用的,可以轻松地插入其他使用多尺度特征的网络中去。该方法的有效性在三个高分辨率遥感图像数据集上均得到了验证,并在性能上均达到了 SOTA(State-of-the-Art)水平。另外值得一提的是在其中两个数据集上可以实现在不借助额外监督信息并且保证效率的前提下超越目前最好方法。

关键词：高分辨率遥感图像语义分割困难样本挖掘特征对齐注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂场景下的行人重识别方法研究与实现

复杂场景下的行人重识别方法研究与实现

作者：曾鑫天津科技大学

学位级别：硕士

复杂场景下的行人重识别是自动驾驶、智能交通、智能安防等领域中应用非常广泛的算法,也是机器视觉应用领域所研究的热门问题。行人重识别的核心问题是在复杂情景中实现跨摄像机对行人的辨认和搜索。目前针对行人重识别任务的方法取得... 详细信息

复杂场景下的行人重识别是自动驾驶、智能交通、智能安防等领域中应用非常广泛的算法,也是机器视觉应用领域所研究的热门问题。行人重识别的核心问题是在复杂情景中实现跨摄像机对行人的辨认和搜索。目前针对行人重识别任务的方法取得了较好的识别效果,但还是存在以下问题:一方面,行人属性识别作为行人重识别的重要基础,可以提高对行人的辨识度,在行人属性识别实际应用中,经常会遇到训练样本中的属性不平衡情况,影响了算法的识别效果,尤其是属性不平衡情况严重时,网络模型的性能下降明显;另一方面,在行人重识别网络训练过程中,对于困难正负样本对的在线有效挖掘能力还存在一定的提升空间。因此本文针对以上问题完成了以下工作与创新:第一,提出了一种基于Res Ne St和难样本在线挖掘的行人不平衡属性识别方法。该方法利用Res Ne St50骨干网络和通道自注意力模块(CAM)来提取具有一定显著性的注意力特征并且通过标签平滑策略、行人属性困难样本在线挖掘方法(OHEM)和多属性联合训练方法来提升模型的性能表现。在RAP和PA100K数据集上的实验结果表明,该方法在整体性能上优于现有的行人属性识别模型,具有较好的适用性和较强的竞争力。第二,提出了一种基于改进的多尺度困难三元组损失函数的行人重识别方法。该方法利用Res Ne St50作为骨干网络来提取特征,使用带有标签平滑正则化的交叉熵损失函数和改进的多尺度困难三元组损失函数来提高模型的性能表现,并引入了损失平衡加权的策略对改进的多尺度困难三元组损失函数与交叉熵损失函数进行了联合优化。在Market-1501、Duke MTMC-re ID数据集上的实验结果表明,该方法在整体性能上相比现有的行人重识别方法具有一定的优势。第三,基于上述算法模型并结合经典目标检测算法,构建了一个复杂场景下的行人重识别系统,该系统可用于在不同摄像机下的特定的行人目标进行识别。同时设计了一个用户操作界面,该界面简单易操作。

关键词：行人多属性识别行人重识别 ResNeSt50 困难样本挖掘多尺度三元组

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度迁移学习的恶意软件检测与分类研究

基于深度迁移学习的恶意软件检测与分类研究

作者：柴国芳河北师范大学

学位级别：硕士

随着互联网的快速发展,企业组织、银行、大学和政府等机构已经将其作为重要的基础设施。人们在享受互联网带来便捷的同时,也受到了恶意软件的攻击。因此,如何准确高效地检测恶意软件有重要意义与价值。目前,恶意软件检测模型大都需要大... 详细信息

随着互联网的快速发展,企业组织、银行、大学和政府等机构已经将其作为重要的基础设施。人们在享受互联网带来便捷的同时,也受到了恶意软件的攻击。因此,如何准确高效地检测恶意软件有重要意义与价值。目前,恶意软件检测模型大都需要大量有标签的样本去训练,而对于新出现的恶意软件,获得大量标签所需成本高昂而且新出现的恶意软件分布与源训练样本分布的不同导致检测难度增加。鉴于此,本文的研究内容主要包括以下方面:(1)针对新出现的恶意软件需要收集足够多的样本重新训练模型的问题,提出了基于注意力和元学习的小样本恶意软件分类模型。首先,结合混合注意力机制,利用卷积神经网络对恶意软件灰度图进行特征提取,从空间和通道两个维度对特征进行细化,关注重要特征并抑制不必要的特征;其次,使用基于参数优化的元学习(Meta Learning)方法,在大量相似的元任务上训练模型学习模型初始化参数,并在此参数的基础上,通过少量任务的迭代快速适应新任务;同时,结合困难样本挖掘(Hard Example Mining)的方法,有目的性地组织样本训练模型,以提高模型的收敛速度及分类性能;最后,在两个Windows恶意软件数据集Malimg和BIG-2015上进行实验,并且与其它深度学习方法进行对比,实验结果表明本论文提出的方法优于已有方法。(2)针对新出现的恶意软件样本获得标签困难以及新出现的恶意软件分布与原始训练样本分布不同,造成模型检测性能降低的问题,提出了基于无监督域适应(Domain Adaptation)深度模型来检测目标域的未知恶意软件。首先,通过对抗学习最小化源域和目标域之间的特征分布,学习共享特征表示;同时,通过对齐有标签的源域样本的类中心和获得伪标签的目标域样本的类中心来减小类级别分布差异。(3)为提高未知恶意软件的检测性能,借鉴对比学习(Contrastive Learning)思想进一步改进语义对齐损失函数减小类级别的分布差异;为提高模型提取特征信息的能力,使用带有自注意力机制的残差网络作为目标模型。在Malimg和BIG-2015恶意软件数据集上进行实验,结果表明,本文提出的方法优于已有检测方法。

关键词：恶意软件检测深度迁移学习注意力机制困难样本挖掘对比学习

基于主动学习的行人再识别方法研究及系统实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于主动学习的行人再识别方法研究及系统实现

作者：高雯静南京理工大学

学位级别：硕士

行人再识别是指在多摄像机监控视频系统中,通过一组视角不重叠的摄像机,识别同一个行人的任务。近年来,行人再识别技术已经在全监督学习领域上实现了比较大的突破,通过设计模型对大量有标签的行人数据进行训练,取得了较高的识别精度。然... 详细信息

行人再识别是指在多摄像机监控视频系统中,通过一组视角不重叠的摄像机,识别同一个行人的任务。近年来,行人再识别技术已经在全监督学习领域上实现了比较大的突破,通过设计模型对大量有标签的行人数据进行训练,取得了较高的识别精度。然而,在现实场景中,标注一定数量的行人数据需要耗费大量的时间和人力成本,使得行人再识别技术难以得到实际应用。基于上述背景,本论文提出结合主动学习方法来解决行人再识别任务中训练数据标签有限的问题,主要工作内容如下:(1)提出基于无监督多分类的主动学习方法。该方法以无监督多分类模型为基础模型,并通过挖掘样本与样本之间的互为近邻关系,设计了基于排序不确定性的样本选择策略。在需要进行人工标注的训练轮次内,选择出排序不确定分数最高的部分训练样本,将这些样本与其近邻样本组成样本对交由专家标注,然后根据标签传播策略对标注结果进一步扩充,从而利用标注信息优化多类别伪标签,使得伪标签预测结果与真实标签更加接近。最后通过在行人再识别领域的三个主流数据集进行实验,表明本方法能够在低标注成本的前提下,有效提高基础模型的识别精度。(2)为了进一步降低主动学习的标注成本,提出了基于深度聚类的主动学习方法。该方法以深度聚类模型为基础模型,设计了基于困难样本对的选择策略,通过分析初始聚类结构,自适应地为每个类簇找到不同数量的困难样本对并进行标注,从而根据模型自身的状态确定合适的标注成本。此外,该方法还提出利用困难样本对的标注结果来指导类簇的分裂与合并,从而扩大标注信息对模型伪标签的影响范围,而非仅对个别样本的伪标签进行优化。在三个数据集上的实验表明,该方法的人工标注成本仅为基于无监督多分类的主动学习方法一半左右,识别精度却得到了进一步的提升,对比近年来的主流行人再识别方法也呈现出了优异的模型性能。(3)以基于主动学习的行人再识别模型为基础,设计并实现了行人再识别交互系统,为人与模型之间的信息传递提供了易于操作的平台。本文对系统运行过程中涉及的启动模型训练、查询模型状态、标注行人图像并反馈结果、控制模型暂停与续训,检索结果可视化五大交互操作进行了详细的分析与设计,最后通过对系统进行功能测试,验证了系统在各个交互操作上的可靠性。

关键词：行人再识别主动学习困难样本挖掘交互系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多染色多尺度白细胞实例分割算法研究

多染色多尺度白细胞实例分割算法研究

作者：杨虹霞天津理工大学

学位级别：硕士

白细胞是人体免疫系统的重要组成部分。白细胞的类别和数量提供了关于人体健康状况的重要信息。近些年来,白细胞的自动检测是医学图像处理中具有代表性的课题之一。现有一些专门针对医学图像分割的网络,但对于多尺度和多染色情况的白细... 详细信息

白细胞是人体免疫系统的重要组成部分。白细胞的类别和数量提供了关于人体健康状况的重要信息。近些年来,白细胞的自动检测是医学图像处理中具有代表性的课题之一。现有一些专门针对医学图像分割的网络,但对于多尺度和多染色情况的白细胞显微图像,还没有更合适的方法。针对上述问题,本文做了如下工作:本文建立了一个新的白细胞数据集,由两部分组成,一部分是由天津医科大学提供的白细胞显微图像,共302张;另一部分是来自公共数据集LISC(Leukocyte Images for Segmentation and Classification)的242张白细胞图像。共包含五个类别的白细胞:中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞和嗜碱性粒细胞。针对该数据集,本文采用基础的实例分割网络框架,由特征提取模块、特征金字塔模块、区域生成网络以及实现三个子任务的检测网络组成。针对多种染色情况,本文采用了一个加强特征表达的特征提取网络,通过多个子空间的特征提取,以及对特定通道的权重加强,可以缓解不同染色对细胞本质特征的影响,提取到更多样性的白细胞特征,从而加强特征表达。在特征融合过程中,再通过对不同尺度特征层的特征加强,突出每个尺度下的显著特征,使网络对多尺度的细胞目标的识别更加准确。相比其他目标检测与实例分割方法,本文的网络结构在精确度等各方面都取得较好结果。针对上述模型的实验结果,本文做了进一步优化。考虑到检测结果较差的为小尺度相似细胞,改进主要从以下几方面进行:首先,对小尺度特征进行了补充,并调整了anchor的匹配策略,对多余的负样本做了额外的抑制操作。然后,由于分类结果的不平衡,对困难的分类任务制定了特定的训练策略。实验结果证明了改进后的模型的有效性,以及每个模块的必要性。

关键词：白细胞实例分割增强特征表达困难样本挖掘