检索结果-南通市图书馆

计算机科学与探索 2024年

作者：冷强奎陶抒清辽宁工程技术大学电子与信息工程学院

不平衡图像分类是计算机视觉领域的一大挑战。尽管深度学习技术已被广泛应用，但类别不平衡问题仍然显著，导致模型偏向多数类而忽视少数类。传统的数据采样方法易引入噪声或丢失关键信息，限制了模型的泛化能力。研究表明，将几何思想... 详细信息

不平衡图像分类是计算机视觉领域的一大挑战。尽管深度学习技术已被广泛应用，但类别不平衡问题仍然显著，导致模型偏向多数类而忽视少数类。传统的数据采样方法易引入噪声或丢失关键信息，限制了模型的泛化能力。研究表明，将几何思想融入深度学习方法中是一种有效且创新的解决方案。几何思想通过优化特征空间结构、改进决策边界和增强数据多样性，显著提升了不平衡图像分类的性能。本文提出了一种新的几何深度学习方法，该方法集成了基于核函数的层次特征缩放技术(KHFS)和相对邻域边界样本挖掘手段(RNBM)。KHFS借鉴了基于核函数的支持向量数据描述(SVDD)，通过层次聚类确定每类的中心点，并计算以中心点为球心的超球体半径，对各类特征向量进行相应缩放，从而增强少数类样本的表示能力。RNBM方法则通过构建相对邻域图来捕捉样本间的邻域关系，从中挖掘出不同类别交界处的边界样本，以约束类内样本的紧凑性和类间样本的分散性。此外，本文也引入了卷积块自注意力机制(CBSA)机制，应用于卷积神经网络(CNN)特征提取模块，旨在关注输入数据中的关键信息。在CIFAR-10、CIFAR-100、CINIC-10三个基准数据集上的大量实验验证了该几何深度学习方法在解决数据不平衡问题方面优于现有模型的显著性能。

关键词：不平衡图像分类几何方法特征缩放边界样本挖掘支持向量数据描述

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：