检索结果-南通市图书馆

基于多源信息和多尺度视角的组合预测模型及其应用

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

基于多源信息和多尺度视角的组合预测模型及其应用

作者：周熠烜安徽大学

学位级别：硕士

随着社会和科技的不断发展,预测变得越来越重要。由于预测对象可能是复杂的系统,单一预测方法造成的预测风险有增大的趋势。组合预测利用不同单项预测方法侧重点的互补性,结合各单项预测方法的优势,在预测实践中能提高模型的预测精度和... 详细信息

随着社会和科技的不断发展,预测变得越来越重要。由于预测对象可能是复杂的系统,单一预测方法造成的预测风险有增大的趋势。组合预测利用不同单项预测方法侧重点的互补性,结合各单项预测方法的优势,在预测实践中能提高模型的预测精度和泛化能力,因此在实际生活中得到广泛运用。近年来,环境问题日益突出,如何有效改善生态环境,减少温室气体的排放,提高空气质量成为世界的焦点。而对碳交易价格以及空气质量指数的准确预测,能够为管理部门改善环境提供重要的决策依据。目前对碳价格和空气质量指数的预测研究中,依然存在一些值得探讨的问题。第一,目前的研究大多使用的是结构化数据的影响,没有考虑非结构化数据对预测模型的影响,忽略了信息的完整性。第二,现有的研究中,对复杂时间序列分解后,使用的预测模型大多为单项预测模型,容易因预测方法的单一性带来较大的预测风险。第三,随着社会系统复杂性的增加,目前对区间时间序列的组合预测研究还很少,如何提高区间数的预测精度值得研究。针对上述问题,本文探讨基于多源信息和多尺度视角的组合预测模型及其在碳价格和空气质量预测方面的应用,该研究具有重要的理论和实际价值。文章的主要工作内容如下:第一章,主要介绍了本文的研究意义,并探讨了当前国内外学者的相关研究,并对本文的工作思路以及创新点进行了介绍。第二章,主要介绍了区间数的定义以及区间数的相关运算法则,同时还简单介绍了组合预测的一般形式。第三章,在现有的组合预测研究基础上,考虑了非结构化数据作为影响因素,从多源信息的角度构建组合预测模型,完善信息的完整性。针对非结构化数据的高维度,利用局部线性嵌入算法（LLE）对数据降维,并利用参数优化后的最小二乘支持向量回归（LSSVR）、多层感知器（MLP）和非线性自回归神经网络（NARX）三种单项预测方法进行预测,构建基于非结构化数据的碳价格组合预测模型。最后结合深圳市碳交易价格进行实例分析,结果表明在加入非结构化数据影响因素后,预测效果得到了一定程度上的提高。第四章,由于加入非结构化数据的影响因素后数据复杂性进一步的提高,因此结合“先分解再集成”的思想,将数据分解为复杂性较低的子序列,再分别对子序列进行预测,最终将结果集成得到预测结果。为此构建基于多源信息和多尺度视角的碳价格组合预测模型,并通过实例验证了该模型的预测精度得到了进一步的提高,说明了从多源信息和多尺度视角构建组合预测模型的合理性。第五章,在前两章的基础上对数据类型进行扩展,探究区间时间序列的组合预测模型。首先对区间时间序列的分解算法进行改进,提出双变量集成经验模态分解（BEEMD）方法,提高分解的准确性。并利用区间单项预测方法对分解后的数据预测,构建基于BEEMD算法的空气质量指数（AQI）区间组合预测模型。最后通过合肥市空气质量指数对预测模型进行案例分析,结果表明模型具有较高的分解精度,能够降低区间预测的误差。最后,对全文的工作内容进行总结,并对未来的可能研究进行了展望。

关键词：组合预测多源信息多尺度预测区间时间序列

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

Misp-YOLO:加油站场景目标检测

吉林大学学报（信息科学版） 2024年第1期42卷 168-175页

作者：刘远红程明皓东北石油大学电气信息工程学院黑龙江大庆163318

针对Yolov3-Tiny算法在加油站监控场景检测时由于数据特征提取不充分而导致检测精度低、漏检率高等问题,提出一种基于加油站场景的Misp-YOLO(You Only Look Once)目标检测算法。首先引入Mosaic数据增强算法,使图片包含更多特征信息;其... 详细信息

针对Yolov3-Tiny算法在加油站监控场景检测时由于数据特征提取不充分而导致检测精度低、漏检率高等问题,提出一种基于加油站场景的Misp-YOLO(You Only Look Once)目标检测算法。首先引入Mosaic数据增强算法,使图片包含更多特征信息;其次使用InceptionV2和PSConv(Poly-Scale Convolution)多尺度特征提取方法提升网络多尺度预测能力;最后结合scSE(Concurrent Spatial and Channel ‘Squeeze&Excitation’)注意力机制,重构主干网络输出特征。实验结果证明该算法具有较高检测准确度,并且检测速度满足实际需求。优化后的算法性能得到极大提升,可推广应用于其他目标检测中。

关键词：目标检测 YOLO算法特征提取注意力机制多尺度预测

维普期刊数据库博看期刊

基于三尺度嵌套残差结构的交通标志快速检测算法

在线全文

学校读者我要写书评

暂无评论

计算机研究与发展 2020年第5期57卷 1022-1036页

作者：李旭东张建明谢志鹏王进长沙理工大学计算机与通信工程学院长沙410114 综合交通运输大数据智能处理湖南省重点实验室(长沙理工大学) 长沙410114

智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先,在基础网... 详细信息

智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先,在基础网络上采用逐像素相加的跨层连接,并未增加特征图的通道数,同时网络中形成1个小残差结构.其次,通过同样的跨层连接方式,增加了1层空间分辨率更高的预测输出,使得该尺度输出包含更丰富的空间信息,进而构成大残差结构.最终,将2个残差结构进行嵌套,形成了1个三尺度预测的嵌套残差网络模型,使得Tiny检测算法的部分主网络位于这2个残差结构中,起到3次调参的作用.实验结果表明:提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F1值为91.77%、检测时间为5 ms;在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F1值分别为92.41%,93.91%,92.03%,检测时间为5 ms.

关键词：交通标志检测 YOLO检测算法嵌套残差网络多尺度预测长沙理工大学长沙理工大学中国交通标志检测数据集

在线全文

学校读者我要写书评

暂无评论

用于遥感图像变化检测的全尺度特征聚合网络

北京航空航天大学学报 2022年第8期48卷 1464-1470页

作者：刘国强房胜李哲山东科技大学计算机科学与工程学院青岛266590

变化检测(CD)是遥感的一项重要任务,通常面临许多伪变化和较大的尺度变化。目前的方法主要侧重于对差异特征的建模,忽略了从原始图像中提取足够的信息,影响了特征的识别能力,难以稳定地区分出变化区域。针对以上问题,提出了一种全尺度... 详细信息

变化检测(CD)是遥感的一项重要任务,通常面临许多伪变化和较大的尺度变化。目前的方法主要侧重于对差异特征的建模,忽略了从原始图像中提取足够的信息,影响了特征的识别能力,难以稳定地区分出变化区域。针对以上问题,提出了一种全尺度特征聚合网络(FFANet)来更充分地利用原始图像特征,促使生成的特征表示在语义上更丰富、在空间上更准确,从而提高了网络对小目标和目标边缘的检测性能。同时,拓展了深监督来结合多尺度的预测图,以促使不同对象在更合适的尺度上进行检测,从而提升了网络对对象尺度变化的鲁棒性。在CDD数据集上,相比于基线网络,所提方法仅增加了1.01×10~6的参数量,就将F分数提升了0.034。

关键词：变化检测(CD) 深监督全尺度特征聚合多尺度预测遥感图像

在线全文

学校读者我要写书评

暂无评论

基于注意力机制的多尺度缺陷绝缘子检测算法

计算机仿真 2022年第7期39卷 137-142,147页

作者：种法广温蜜田英杰张凯上海电力大学计算机科学与技术学院上海200090 国网上海市电力公司上海200122

绝缘子是保障输电线路平稳运行的重要电力部件之一。对于故障区域小、周围所处环境复杂的缺陷绝缘子检测是一项极具挑战性的任务,传统的检测方法存在精度不高、效率低和缺少大型公开数据集的问题。针对以上问题,提出一种基于注意力机制... 详细信息

绝缘子是保障输电线路平稳运行的重要电力部件之一。对于故障区域小、周围所处环境复杂的缺陷绝缘子检测是一项极具挑战性的任务,传统的检测方法存在精度不高、效率低和缺少大型公开数据集的问题。针对以上问题,提出一种基于注意力机制的多尺度缺陷绝缘子检测算法。在YOLOv3算法的基础上,使用K-means++匹配新的锚点坐标,将通道注意力机制SENet结构融入特征提取网络Darknet53中,增加多个检测尺度提升检测精度,并使用数据增强技术扩充缺陷绝缘子数据集。实验结果表明,上述方法在满足实时检测的要求下获得了94.42%的平均准确率和95.74%的召回率。

关键词：目标检测缺陷绝缘子注意力机制多尺度预测

在线全文

学校读者我要写书评

暂无评论

基于多尺度特征融合的小目标行人检测

计算机工程与科学 2019年第9期41卷 1627-1634页

作者：张思宇张轶四川大学计算机学院四川成都610065 四川大学视觉合成图形图像技术国家重点学科实验室四川成都610065

针对SSD当前存在的小目标漏检以及误检问题,结合反卷积与特征融合思想,提出hgSSD模型。将原SSD特征层反卷积后与较浅层特征结合,实现复杂场景下小目标行人检测。为了保留浅层网络特征,提高算法实时性,节省计算资源,hgSSD模型基础网络使... 详细信息

针对SSD当前存在的小目标漏检以及误检问题,结合反卷积与特征融合思想,提出hgSSD模型。将原SSD特征层反卷积后与较浅层特征结合,实现复杂场景下小目标行人检测。为了保留浅层网络特征,提高算法实时性,节省计算资源,hgSSD模型基础网络使用VGG16,而非更深层的ResNet101。为了加强对小目标的检测,将VGG16中的Conv3_3改进为特征层加入训练。融合后的网络相对于SSD较为复杂,但基本保证实时性,且成功检测到大部分SSD网络漏检的小目标,检测精度相比于SSD模型也有提升。在选择框置信度得分阈值为0.3的情况下,基本检测到SSD漏检小目标。在VOC2007+2012中相对于SSD行人检测的Average Precision值从0.765提升为0.83。

关键词：小目标行人检测多尺度预测特征融合反卷积神经网络深度学习

在线全文

学校读者我要写书评

暂无评论

多尺度上下文融合的交通标志识别算法研究

无线电工程 2022年第1期52卷 114-120页

作者：蔡军邱会然谭静杨平安重庆邮电大学自动化学院重庆400065

针对自然场景中小型交通标志检测漏检和虚警问题,提出了一种多尺度上下文融合的交通标志检测算法。以YOLOv3为检测框架,将特征金字塔网络的深层特征信息融合进更浅层特征层,提高更浅层特征层中高级前景语义信息的利用率;在YOLOv3框架基... 详细信息

针对自然场景中小型交通标志检测漏检和虚警问题,提出了一种多尺度上下文融合的交通标志检测算法。以YOLOv3为检测框架,将特征金字塔网络的深层特征信息融合进更浅层特征层,提高更浅层特征层中高级前景语义信息的利用率;在YOLOv3框架基础上加入上下文模块,重新分配交通标志特征图中的上下文信息权重,加强目标特征信息的复用;使用融合预测目标置信度的网络损失函数来进行端到端的训练。在中国交通标志数据集TT100K上试验75类小型交通标志获得了56.93%的平均精度均值,相比于YOLOv3算法,所提算法精度提高了9.19%,验证了所提算法的有效性,表明了在小目标和多目标的环境下所提算法检测效果提升明显。

关键词：深度学习交通标志检测上下文融合多尺度预测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

Tiny YOLOV3目标检测改进

光学精密工程 2020年第4期28卷 988-995页

作者：马立巩笑天欧阳航空上海大学机电工程与自动化学院上海200444

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可... 详细信息

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可分离卷积构造反残差块替换传统卷积,降低模型尺寸和参数量,增加高维特征提取;然后,在原网络两尺度预测的基础上增加一尺度,形成三尺度预测;最后,对损失函数中的边界框位置误差项进行优化。实验结果表明,改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%,满足实时性要求,具有一定鲁棒性。本文方法能够更好地提取目标特征,多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。

关键词：目标检测 Tiny YOLOV3 深度可分离卷积反残差块多尺度预测

在线全文

学校读者我要写书评

暂无评论

基于深度学习的多尺度目标检测算法研究

基于深度学习的多尺度目标检测算法研究

作者：焦天驰西南科技大学

学位级别：硕士

目标检测是计算机视觉的基本问题之一,是完成目标跟踪、实例分割等其他视觉任务的基础。随着信息技术的发展,人类生活中存在着大量的图像和视频数据,这使得目标检测技术在人类生活中起到的作用越来越大,当前主要应用于人脸识别、自动驾... 详细信息

目标检测是计算机视觉的基本问题之一,是完成目标跟踪、实例分割等其他视觉任务的基础。随着信息技术的发展,人类生活中存在着大量的图像和视频数据,这使得目标检测技术在人类生活中起到的作用越来越大,当前主要应用于人脸识别、自动驾驶等领域。目标检测的研究有着悠久的历史,但是传统目标检测方法在面对大数据量的样本时有一定的局限性。深度学习的发展给目标检测带来新的思路,利用卷积神经网络进行检测受到了广泛关注。本文基于深度学习技术对目标检测进行了研究,主要工作如下:第一,针对YOLO算法中预测层级单一以及网络加深导致的模型复杂度提高,对YOLO算法进行改进。从以下方面进行改进:利用深度可分离卷积减少计算过程中的参数量,结合残差结构构造反残差块,改善网络加深过程中产生的梯度消失现象,反残差块中采用瓶颈结构避免特征信息丢失;采用多尺度特征融合策略,将32倍降采样后的特征层进行2倍上采样,与对应尺度的特征层进行拼接融合,融合后产生的特征层继续进行2倍上采样,进行拼接融合,所产生的3种不同尺度的特征层级用于目标预测,优化了对于多尺度目标的检测效果;针对数据集目标特点,对目标先验框进行聚类分析,提高模型适用性;针对模型中的正负样本不平衡问题,将改进模型与Focal loss进行结合,与其他目标检测模型进行对比分析,实现模型检测精度的提升。第二,针对SSD算法中基础网络VGG16特征提取能力不足和浅层特征层之间联系单一的问题,对SSD算法进行改进。从以下方面进行改进:通过更改前置基础网络为DarkNet53,利用其更强的特征提取能力,提高模型的整体检测性能;通过引入特征融合结构,将19×19和10×10的特征图通过双线性插值的方式变换尺度为38×38,结合1×1卷积核调整通道数为512,将上述生成的特征层与调整通道数后的38×38特征层进行拼接融合产生新的特征层,最后将新的特征层作为多尺度预测中38×38尺度的预测层。通过这种特征融合结构加强浅层特征层之间的特征信息联系,丰富多尺度特征信息,从而提高SSD算法模型的检测精度。为了验证本文改进的两种算法的有效性,在常用的目标检测数据集上进行改进算法的实验验证。其中采用INRIA行人数据集对改进YOLO算法进行实验验证,将Focal loss应用于改进算法并在PASCAL VOC 2007数据集上与两阶段的目标检测算法进行对比分析,最后将改进YOLO算法应用于焊点缺陷检测;采用PASCAL VOC 2007和2012联合数据集对改进SSD模型进行实验验证,并与其他算法模型进行对比分析。

关键词：目标检测深度学习反残差块特征融合多尺度预测