检索结果-南通市图书馆

不平衡样本下的SA-YOLO自适应损失目标检测算法

在线全文

学校读者我要写书评

暂无评论

中国科学院大学学报（中英文） 2024年第3期41卷 411-426页

作者：苏亚鹏陈高曙赵彤中国科学院大学数学科学学院北京100049 浙江中正智能科技有限公司杭州310021 中国科学院大数据挖掘与知识管理重点实验室北京100190

样本不平衡现象是指在数据集中以背景为主的易样本数量较大,而以前景为主的难样本数量过少,即样本存在类间不平衡与难易不平衡问题。现有目标检测算法大多是基于候选区域的两阶段算法或基于回归的单阶段算法,当应用于不平衡样本时无法... 详细信息

样本不平衡现象是指在数据集中以背景为主的易样本数量较大,而以前景为主的难样本数量过少,即样本存在类间不平衡与难易不平衡问题。现有目标检测算法大多是基于候选区域的两阶段算法或基于回归的单阶段算法,当应用于不平衡样本时无法避免训练中产生的预测框对大量样本过度依赖,从而导致模型过拟合且检测精度低,准确性、泛化性差。为了在不平衡样本下实现高效精准的目标检测,提出一种全新的SA-YOLO自适应损失目标检测算法。(1)针对样本不平衡问题,提出SA-Focal Loss函数,能够针对不同数据集与训练阶段对损失进行自适应调节,以达到平衡类间样本与难易样本的效果。(2)在多尺度特征预测机制下构造CSPDarknet53-SP网络架构,增强困难小目标样本全局特征的提取能力,达到提升难样本检测精度的效果。为验证SA-YOLO算法的性能,分别在样本不平衡数据集与COCO数据集上进行了大量仿真实验。结果表明:相较于现有YOLO系列算法最优指标值,SA-YOLO在不平衡数据集中mAP可达91.46%,提升10.87%,各类目标AP 50提升均在2%以上,有极强的专精性;在COCO数据集中mAP 50提升1.58%,各项指标均不低于最优值,有良好的有效性。

关键词：不平衡样本自适应损失 SA-YOLO算法 SA-Focal Loss函数 CSPDarknet53-SP网络架构

基于Hessian正则的自适应损失半监督特征选择

在线全文

学校读者我要写书评

暂无评论

控制与决策 2021年第8期36卷 1862-1870页

作者：朱建勇周振辰杨辉聂飞平华东交通大学电气与自动化工程学院南昌330013 江西省先进控制与优化重点实验室南昌330013 西北工业大学光学影像分析与学习中心西安710072

传统的基于拉普拉斯图的半监督特征选择算法处理高维、少标签样本时,缺乏外推能力且对数据异常值的鲁棒性差.基于此,提出一种基于Hessian正则的自适应损失半监督稀疏特征选择算法.首先,为提升线性映射能力,利用Hessian正则保留数据的局... 详细信息

传统的基于拉普拉斯图的半监督特征选择算法处理高维、少标签样本时,缺乏外推能力且对数据异常值的鲁棒性差.基于此,提出一种基于Hessian正则的自适应损失半监督稀疏特征选择算法.首先,为提升线性映射能力,利用Hessian正则保留数据的局部流形结构;其次,为增强模型对具有较小或者较大损失数据的鲁棒性,引入自适应损失函数,通过调节自适应损失参数确定最小损失;再次,采用l2,p范数稀疏投影矩阵,提升特征的区分度,增加模型适应度;最后,采用递归迭代优化求解目标函数.仿真实验验证了所提方法的有效性和优越性.

关键词：半监督特征选择自适应损失稀疏约束 l2 p范数

在线全文

学校读者我要写书评

暂无评论

用于方面提取的软原型增强自适应损失模型

计算机应用研究 2021年第11期38卷 3310-3315页

作者：徐福黄贤英蒋兴渝彭竞瑶重庆理工大学计算机科学与工程学院重庆400054

方面提取是方面级情感分析的一个核心任务,目前方法是用方面提取、观点提取、方面级情感分类间的关系构建多元关系协作学习模型。常用的数据集中存在大多数方面词和上下文词的出现次数较少,缺乏样本暴露量等问题,使序列标注器收敛到一... 详细信息

方面提取是方面级情感分析的一个核心任务,目前方法是用方面提取、观点提取、方面级情感分类间的关系构建多元关系协作学习模型。常用的数据集中存在大多数方面词和上下文词的出现次数较少,缺乏样本暴露量等问题,使序列标注器收敛到一个极差的区域,且由于在计算模型总损失时忽略了不同部分对方面提取效果的差异,导致神经网络模型几乎无法达到最佳性能。因此提出用于方面提取的软原型增强自适应损失模型(SPEAL),通过软检索建立低样本暴露量文本与高样本暴露量文本之间的动态关性,同时根据方面提取、观点提取、方面级情感分类对方面提取的贡献度自适应更新各部分损失的权重。在REST14、REST15、LAP14三个数据集上的实验结果表明,SPEAL在加速收敛的同时提升了方面提取的效果。

关键词：方面提取情感分析软检索自适应损失

MAFDNet:复杂环境下图像自适应分类新方法

在线全文

学校读者我要写书评

暂无评论

数据采集与处理 2023年第6期38卷 1392-1405页

作者：叶继华黎欣陈进江爱文化志章万文涛江西师范大学计算机信息工程学院南昌330022 江西师范大学教育学院南昌330022

复杂环境下,往往困难样本和简单样本并存,现有分类方法主要针对困难样本进行设计,所构建网络用于分类简单样本时会造成计算资源的浪费;而网络修剪和权重量化等方法则不能同时兼顾模型的准确度和存储开销。为提升计算资源的使用效率并有... 详细信息

复杂环境下,往往困难样本和简单样本并存,现有分类方法主要针对困难样本进行设计,所构建网络用于分类简单样本时会造成计算资源的浪费;而网络修剪和权重量化等方法则不能同时兼顾模型的准确度和存储开销。为提升计算资源的使用效率并有更好的准确率,本文着眼于输入样本的空间冗余,提出了复杂环境下图像自适应分类网络MAFDNet,并引入置信度作为分类准确性的判断,同时提出了由内容损失、融合损失和分类损失组成的自适应损失函数。MAFDNet由3个子网组成,输入图像首先被送入到低分辨率子网中,该子网有效提取了低分辨率的特征,具有高置信度的样本先被识别并从网络中提前退出,低置信度的样本则需要依次进入更高分辨率的子网中,而网络中的高分辨率子网具有识别困难样本的能力。MAFDNet将分辨率自适应和深度自适应结合在一起,通过实验表明,在相同计算资源条件下,MAFDNet在CIFAR?10、CIFAR?100和ImageNet这3个复杂环境数据集上的top?1准确率均得到提升。

关键词： MAFDNet 复杂环境自适应分类自适应损失置信度

在线全文

学校读者我要写书评

暂无评论

基于自步学习的自适应半监督聚类算法

西北大学学报（自然科学版） 2022年第5期52卷 847-856页

作者：贾乐瑶马盈仓邢志伟蒙莹莹西安工程大学理学院陕西西安710048

在半监督聚类算法中,通常利用有标签样本的指导来提高数据的聚类效果,但不同样本对聚类结果的重要性并未充分考虑。为了解决这一问题,该文提出了一种基于自步学习的自适应半监督聚类算法(ASSCSPL)。首先,在模型中引入自适应损失函数,可... 详细信息

在半监督聚类算法中,通常利用有标签样本的指导来提高数据的聚类效果,但不同样本对聚类结果的重要性并未充分考虑。为了解决这一问题,该文提出了一种基于自步学习的自适应半监督聚类算法(ASSCSPL)。首先,在模型中引入自适应损失函数,可以通过调节自适应损失参数提高模型的鲁棒性;其次,在模型中引入自步学习机制,用来刻画不同样本对聚类结果的不同重要程度;最后,在标签传播阶段,所得算法能够很好地利用已有的监督信息,为无标签数据赋予相应的标签权重。数据实验表明,与现有优秀算法比较,所提算法可以达到更好的聚类效果。此外,实验结果也表明,所提算法能够有效地降低噪声对模型聚类性能的影响。

关键词：半监督谱聚类自步学习自适应损失标签传播

在线全文

学校读者我要写书评

暂无评论

基于小波子带注意力的单图像去雨算法

基于小波子带注意力的单图像去雨算法

作者：刘勇西安电子科技大学

学位级别：硕士

降雨作为一种常见的天气状况,会对户外的拍摄工作产生极大的负面影响。在这种恶劣天气下拍摄的图像,往往伴随着大量的噪声,图像质量明显下降。图像中的大量雨水会遮挡或模糊背景细节,导致后续相关的计算机视觉系统性能下降。现有的图像... 详细信息

降雨作为一种常见的天气状况,会对户外的拍摄工作产生极大的负面影响。在这种恶劣天气下拍摄的图像,往往伴随着大量的噪声,图像质量明显下降。图像中的大量雨水会遮挡或模糊背景细节,导致后续相关的计算机视觉系统性能下降。现有的图像去雨算法过度关注网络的结构,忽视了雨水的特性,在去雨效果方面还存在不足。此外,这些图像去雨算法具有非常复杂的网络结构,因此计算量相当大,无法适用于现实生活中实时性要求高的视觉系统。为了弥补这些算法的不足之处,本文设计了一个基于小波子带注意力的去雨网络,通过结合深度学习技术和雨水的先验知识,快速精准地去除图像的雨水。本文首先根据小波变换的方向选择性和雨水的方向特性,设计了一个小波子带注意力模块。该模块利用小波变换将输入的特征分解为四个子带特征,其中雨水信息主要存在于低频分量子带和竖直分量子带特征中。本文通过连续的非对称卷积提取这两个子带中竖直方向的纹理信息(主要是雨水信息),并通过逆小波变换整合四个子带的信息,生成包含雨水位置信息的小波子带注意力图。然后,本文结合小波子带注意力和通道注意力,搭建了一个具有残差结构的网络块。在这两个注意力模块的协作下,该残差块能够有效增强特征中包含雨水信息的通道和区域,生成细节信息丰富的特征。为进一步探索特征中的雨水信息,本文提出了一个重复学习机制,该机制将残差块的学习过程分解成了两个部分,能够有效优化学习到的参数。考虑到现实场景中雨水尺度的多样性,本文的去雨网络以编码-解码器网络作为主要架构,通过网络中的连续下采样捕获不同大小的雨水信息。为保证最终恢复图像的质量,在去雨网络处理低分辨率图像时,下采样将会被移除。最后,本文设计了一个自适应小波子带损失函数,用于优化去雨网络的学习过程。本文通过给不同子带的损失自适应地分配权重,能使网络在训练过程中一直关注需要重点去雨的子带。本文的算法首先在三个雨型不同的合成雨天数据集上进行了训练和测试,并与其他优秀的单图像去雨算法作了比较。为进一步说明本文算法的实用性,去雨网络还在真实雨天数据集上进行了验证。从结果上来看,本文的算法在这些数据集上性能优异,尤其在真实雨天数据集的PSNR指标上,比最先进的算法提升了1.86 dB。最后,为证明提出的去雨网络的工作效率,本文还对比了不同算法处理相同大小图像的平均用时。实验结果证明,本文的去雨算法不仅在定量和定性结果上明显优于其他算法,而且运算用时也更少,适合应用于实时性要求高的现实场景。

关键词：图像去雨小波变换小波子带注意力自适应损失

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

演化多任务优化驱动的点云配准方法研究

演化多任务优化驱动的点云配准方法研究

作者：刘怡博西安电子科技大学

学位级别：硕士

点云以其能够高效、准确、全面地对三维世界进行建模的特点,在计算机视觉领域受到越来越多的关注。由于三维扫描设备视野范围的限制,以及扫描目标本身的几何复杂性造成的遮挡,每次扫描只能捕捉到目标表面的部分几何信息。点云配准就是... 详细信息

点云以其能够高效、准确、全面地对三维世界进行建模的特点,在计算机视觉领域受到越来越多的关注。由于三维扫描设备视野范围的限制,以及扫描目标本身的几何复杂性造成的遮挡,每次扫描只能捕捉到目标表面的部分几何信息。点云配准就是将不同角度的点云进行对齐的过程,以还原出目标的完整三维信息,是点云处理的基础。在实际应用中,受点云间低重叠、数据噪声、数据密度等因素的影响,对点云配准建立的数学模型难以兼顾配准精度和对噪声的鲁棒性,也难以应用于不同密度和尺度的点云。对建立的数学模型的优化,如何避免陷入局部最优也是非常具有挑战性的问题。本文以提高点云配准精度和对噪声的鲁棒性为出发点建立数学模型,借助于知识迁移机制为演化多任务优化方法带来的全局搜索能力,以演化多任务优化为驱动实现点云配准的高质量、高效求解,主要工作和创新点如下:(1)分别为成对点云配准和多视角点云配准建立了精确、抗噪的数学模型。首先,同时考虑点到点距离度量和改进的点到面距离度量作为对应点对的残差度量,引入自适应残差函数实现成对点云配准问题的建模,结合两种距离度量的优点提高配准精度的同时抑制噪声点的影响。其次,同时考虑局部配准精度与多点云一致性约束对多视角点云配准问题进行建模,缓解多视角点云配准问题中的误差积累。实验结果表明,所建立的模型在低重叠、高噪声的点云配准任务中依然有很好的精度,也可以实现对不同密度点云的自适应。(2)提出自学习和多尺度知识迁移的点云配准方法。为了更好地对建立的成对点云配准模型进行求解,以演化多任务优化方法作为求解器,设计了自学习和多尺度知识迁移两种多任务策略。自学习的引入是为了估计每个任务的潜在优秀解,通过不同任务潜在优秀解计算任务间的差异,进而指导任务间的知识迁移。多尺度知识迁移的提出在自学习的基础上进一步提高正向知识迁移的概率,以正向知识迁移促进点云配准求解质量的提升以及求解效率的提高。(3)提出双通道知识迁移的多视角点云配准方法。多视角点云配准问题被建模为多任务优化问题,需要同时对多个任务进行求解。提出的双通道知识迁移分为任务内知识迁移和任务间知识迁移两个方面:任务内知识迁移通过引入辅助任务,在辅助任务和原始任务间迁移知识,极大加速原始任务的收敛;任务间知识迁移通过多点云一致性约束建立多个任务间的关系,以此为依据在任务间迁移知识,在很大程度上避免陷入局部最优以提升求解质量。

关键词：点云配准演化多任务优化知识迁移自适应损失

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

图正则聚类算法研究

图正则聚类算法研究

作者：王拓国防科技大学

学位级别：硕士

海量数据对于训练传统有监督学习模型是一种巨大挑战,这是因为手动标注动态新增样本是不切实际的。此时无监督学习方法能发挥替代有监督学习方法的数据分析功能。在无监督学习中,聚类可直观地分析数据,其目标是将未标记的数据分成几类群... 详细信息

海量数据对于训练传统有监督学习模型是一种巨大挑战,这是因为手动标注动态新增样本是不切实际的。此时无监督学习方法能发挥替代有监督学习方法的数据分析功能。在无监督学习中,聚类可直观地分析数据,其目标是将未标记的数据分成几类群簇,保证相似的样本聚集到同类群簇中。鉴于它的直观实际含义,聚类算法已被广泛应用于图像分割、模式识别和数据挖掘等任务。流形学习假设高维数据可以看成高维空间中的低维流形嵌入,因此很多聚类算法将原始高维数据投影到低维空间中,以得到更为有效的表达。子空间聚类将每一类群簇投影到相应的低维子空间当中,而深度聚类算法使用深度网络得到数据的深度嵌入。传统聚类算法没有使用样本间的相似性信息,不能挖掘数据的流形结构,难以在复杂样本空间上得到全局最优解。图正则聚类算法在数据的投影过程中维持样本间的相似性关系,从而在低维投影中保留数据的几何结构,有助于数据的正确分类。本文提出三种图正则聚类模型:1)图拉普拉斯相关低秩聚类模型。本文设计了一种基于F范数的迹损失并配合图拉普拉斯正则捕获数据的局部相关信息,同时利用矩阵重构得到数据的低秩表达,使群簇结构更为清晰,从而提高聚类任务的准确性。在运动分割和图像聚类任务上的实验验证了该模型的有效性。2)相关性自表达收缩聚类模型。本文使用紧凑的Schatten p范数来近似低秩约束,从稀疏和密集的表达两方面诱导相似性矩阵,同时使用自适应的收缩模式减少相似样本的偏差。在四个图像聚类任务上的实验验证了该模型的有效性。3)基于均匀流形近似的深度聚类模型。本文设计了一个两阶段的深度聚类模型以在聚类的同时考虑流形结构。在第一阶段,本文使用提出的相似性度量将相似的样本拉到一起,并将不同的样本推远;在第二阶段,本文使用Kullback-Leibler散度拟合两个提出的数据分布来增强聚类的性能。在四个图像聚类任务上的实验验证了该模型的有效性。

关键词：图拉普拉斯自表达自适应损失模式收缩流形结构相似性度量

基于多注意力和多任务学习的语音情感识别研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多注意力和多任务学习的语音情感识别研究

作者：夏玉琦青岛科技大学

学位级别：硕士

随着信息技术和传感器技术的发展,人机交互进入了一个新的时代,如何自然地与机器进行交流成为了炙手可热的话题。其中最有价值的研究方向之一是根据说话人的状态来提取语音情感特征,实时的预测当前语音的情感状态,使机器在人机交互的过... 详细信息

随着信息技术和传感器技术的发展,人机交互进入了一个新的时代,如何自然地与机器进行交流成为了炙手可热的话题。其中最有价值的研究方向之一是根据说话人的状态来提取语音情感特征,实时的预测当前语音的情感状态,使机器在人机交互的过程中表现的更加智能以及人性化,从而增强与机器的互动体验。随着深度学习的快速发展,采用基于深度学习语音情感识别成为了一个新的研究方向,并在许多方面的验证了其提升情感识别的有效性和准确性。经过对现有文献进行了深入研究,本文结合了级联注意力机制以及多任务学习方法,解决了长话语中语音情感难以定位以及性别差异和听觉系统对外部信息感知的不同所带来的情感差异问题,主要研究内容如下:(1)为了有效的应对目前情感识别大都集中于个性化特征,导致情感识别的结果受外部因素的影响较大等问题,提出了非个性化的语音情感特征的提取方法。所提方法首先通过从语音信号中提取差分(静态、一阶差分、二阶差分)特征;然后利用时间方向的滤波器和频率方向的滤波器提取沿通道方向连接的Log-Mels高级特征;接着采用标准的CNN层来获得非个性化的语音情感特征。在基于IEMOCAP数据集的对比实验结果中,本文所提出的特征提取与学习方法具备良好的表达能力,使得WA和UA分别提升了3.47%和2.93%。(2)为了有效的在长话语中定位和提取有效的情感信息,提出了由通道注意力网络、空间注意力和自注意力组成级联注意力网络。所提方法首先利用通道注意力用于检测每个通道中由非个性化特征组成的重要区域;然后利用空间注意力分析通道注意检测到的高级特征之间的空间相关性,并利用CNN-BLSTM网络获得话语级特征;最后将话语级特征输入自注意力层,学习不同时间步长的局部不变特征与加权评分之间的时间依赖性。在基于IEMOCAP数据集的对比实验结果中,优化后的模型在语音情感特征定位于提取上具备出色的表现,使得WA和UA分别提升了3.25%和4.18%。(3)为了有效的分辨性别和听觉系统对外部信息感知的差异带来的影响,提出了一种基于自适应损失来动态确定不同任务的权重的多任务学习策略,该策略能够基于性别差异以及对外界的感知差异实时调整模型中不同任务所占权重。在基于IEMOCAP数据集的对比实验结果中,优化后的模型能够有效的应用不同的任务优化并提高语音情感识别的准确率,消除听觉系统对外部信息感知的差异带来的影响,使得WA和UA分别提升了8.89%和7.53%。(4)设计并实现了语音情感识别系统,并将以上所提到的方法相结合,在系统中进行了应用。上述研究结果表明,本文提出的基于多注意力机制和多任务学习的语音情感识别相比现有方法具有一定优势,并且在其它复杂情况上具有较好的泛用性。

关键词：语音情感识别非个性化特征级联注意力多任务学习自适应损失