检索结果-南通市图书馆

顾及长尾分布的机载LiDAR点云CNN语义分割

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2023年第7期44卷 282-295页

作者：陈睿星吴军赵雪梅徐刚桂林电子科技大学电子工程与自动化学院桂林541000 中科院宁波材料技术与工程研究所宁波315201

针对目前PointNet++系列网络模型倾向于牺牲尾类分割精度以保证全局分割精度这一现象,构建顾及数据长尾分布的机载LiDAR点云语义分割网络,主要涉及两方面内容,聚类最远点采样和空间自注意力机制下的局部特征学习。聚类最远点采样通过类... 详细信息

针对目前PointNet++系列网络模型倾向于牺牲尾类分割精度以保证全局分割精度这一现象,构建顾及数据长尾分布的机载LiDAR点云语义分割网络,主要涉及两方面内容,聚类最远点采样和空间自注意力机制下的局部特征学习。聚类最远点采样通过类内点云最远点采样、划分区域最远点采样以及基于置信度的均值漂移(Meanshift)聚类组合策略,最大程度保留尾类样本并通过循环赋权方式使每类样本均能被网络充分学习;空间自注意力机制下的局部特征学习为结合不同空间编码方式增强采样点邻域拓扑结构的学习,以利于从稀疏样本数据中完整学习目标空间结构。公开数据集实验表明,本文网络模型整体分割精度和平均F_(1)较PointNet++分别提升6.3%和6.6%,并优于其它6种PointNet++系列网络模型及新公布的10种网络模型,具有良好的泛化性能与应用价值。

关键词：点云语义分割卷积神经网络长尾分布自注意力机制聚类最远点采样

在线全文

学校读者我要写书评

暂无评论

长尾分布下的微藻显微图像轻量级目标检测

电子测量与仪器学报 2024年第4期38卷 46-54页

作者：汪鲁才陈春江邹伊雯谢婷湖南师范大学工程与设计学院长沙410081

微藻显微图像目标检测技术是生物学研究和环境监测等领域重要研究方向之一。电子显微镜采集到的微藻图像数据集存在长尾数据问题。传统的微藻检测方法需要大量人工操作,耗时长且结果容易受到操作人员技术经验的影响。结合解决长尾分布... 详细信息

微藻显微图像目标检测技术是生物学研究和环境监测等领域重要研究方向之一。电子显微镜采集到的微藻图像数据集存在长尾数据问题。传统的微藻检测方法需要大量人工操作,耗时长且结果容易受到操作人员技术经验的影响。结合解决长尾分布的方法,本文提出了一种基于延迟重采样和知识蒸馏相结合的目标检测算法(DDM-YOLO)。先对微藻显微图像进行数据增强,然后针对长尾分布数据,采用延迟重采样,并在二阶段采用反向采样,关注难以分类的少数类别样本,改善目标检测性能。设计了一种轻量级目标检测网络架构,通过知识蒸馏来减少模型复杂度和计算量。实验结果表明,DDM-YOLO算法的mAP@0.5/%为77.1%,与YOLOv5s相比提高了6.1%,模型参数量为3.88 MiB,减少了45.4%。所提出的方法在微藻显微图像数据上取得了显著的性能提升,同时在资源受限条件下实现了高效的目标检测,大大降低了检测人员的工作量。

关键词：目标检测长尾分布延迟重采样知识蒸馏

长尾分布下的PET-CT肺癌图像的深度学习网络检测与定位探索

在线全文

学校读者我要写书评

暂无评论

中国医学物理学杂志 2022年第12期39卷 1473-1484页

作者：梁智欣邓戈龙魏夏平梁凤好惠贤娟梁怡君李谦黄小伟罗荣城广州中医药大学金沙洲医院核医学科广东广州510168 广东工业大学计算机学院广东广州510006 广州中医药大学金沙洲医院肿瘤放射治疗中心广东广州510168 东莞理工学院科学技术处广东东莞523808 广州中医药大学金沙洲医院肿瘤科广东广州510168

目的:提出一种用于PET/CT图像在长尾分布下的肺癌检测方法,以提高PET/CT图像中的肺癌诊断效能。方法:以YOLOv5作为骨干网络(Backbone),通过将Backbone与自适应类损失函数(ACSLoss)相结合来构建一个基于自适应类损失函数的YOLO模型(ACS-Y... 详细信息

目的:提出一种用于PET/CT图像在长尾分布下的肺癌检测方法,以提高PET/CT图像中的肺癌诊断效能。方法:以YOLOv5作为骨干网络(Backbone),通过将Backbone与自适应类损失函数(ACSLoss)相结合来构建一个基于自适应类损失函数的YOLO模型(ACS-YOLO),以此解决PET/CT肺癌图像真实数据集中的长尾分布问题并提高PET/CT图像中的肺癌诊断效能。结果:在Lung-PET/CT-Dx公开数据集上与现存的YOLOv5变体相比,本文提出的ACS-YOLO取得了最好的检测性能,Precision、Recall、mAP@0.5和mAP@0.5:0.95指标最好的值分别为0.9607、0.9489、0.9706和0.5583。与其他YOLOv5变体相比,ACS-YOLO的检测性能提升约1%~5%,而尾部类别检测性能提升约5%~11%。结论:提出的ACS-YOLO可有效地提高长尾分布下PET/CT图像中的肺癌检测效能,这表明本文提出的方法能够作为现实PET/CT肺癌诊断的辅助工具。

关键词：肺癌 PET/CT 长尾分布深度学习目标检测

在线全文

学校读者我要写书评

暂无评论

长尾分布下的宫颈细胞分割与分类框架

哈尔滨理工大学学报 2023年第6期28卷 121-129页

作者：杨晓娜李超炜邵慧丽何勇军哈尔滨理工大学计算机科学与技术学院哈尔滨150080 哈尔滨工业大学计算机科学与技术学院哈尔滨150006

目前利用深度学习识别宫颈异常细胞有两个难题:(1)宫颈细胞种类多样且宫颈细胞图像因人而异;(2)宫颈细胞呈现长尾分布,影响宫颈细胞的分类精度。本文提出了一种基于深度学习的宫颈细胞分割与分类框架。本框架首先进行细胞核分割,使用U-... 详细信息

目前利用深度学习识别宫颈异常细胞有两个难题:(1)宫颈细胞种类多样且宫颈细胞图像因人而异;(2)宫颈细胞呈现长尾分布,影响宫颈细胞的分类精度。本文提出了一种基于深度学习的宫颈细胞分割与分类框架。本框架首先进行细胞核分割,使用U-Net作为基础模型进行减层,加入AG模块,并使用ACBlock模块代替传统标准卷积块;然后使用ResNeSt对分割数据进行粗分类,将根据医生经验提取的人工特征和ResNeSt网络提取的机器特征进行融合进行细分类,利用主动学习迭代地扩充宫颈细胞类别,并在BBN模型中融合ACBlock模块处理长尾数据;最后根据TBS诊断标准和医生的诊断经验提炼出异常细胞的诊断指标,筛选异常细胞。实验表明,本文的分割算法较原方法提升了3.52%,加入所有特征的分类算法提升了1.2%。针对阳性病人,癌细胞诊断准确率达到91%。

关键词： U-Net ResNeSt 细胞核分割细胞核分类长尾分布

在线全文

学校读者我要写书评

暂无评论

长尾分布下基于层内相似关系的认知诊断模型

郑州大学学报(理学版) 2024年

作者：王冕张玉红刘菲卜晨阳胡学钢合肥工业大学计算机科学与技术学院

已有的认知诊断模型大多基于充分的学生做题记录进行诊断。然而现实中学生的做题记录、题目与知识点等的层间关联呈现长尾分布,即部分学生做题数量少、部分习题仅包含少量知识点,给模型的训练带来挑战。为此,提出一个基于层内相似关系... 详细信息

已有的认知诊断模型大多基于充分的学生做题记录进行诊断。然而现实中学生的做题记录、题目与知识点等的层间关联呈现长尾分布,即部分学生做题数量少、部分习题仅包含少量知识点,给模型的训练带来挑战。为此,提出一个基于层内相似关系的认知诊断模型,通过学生作答记录使用简单匹配系数分别计算学生、习题、知识点的相似系数,并构建层内相似关系。利用这种层内相似关系通过关系图卷积网络将头节点信息传递给尾节点,改善尾节点层间关系的稀疏性,通过融合知识点表示的诊断函数进行诊断。

关键词：认知诊断长尾分布相似性层内相似关系图卷积网络

基于YOLOX-Tiny的长尾分布交通标志识别模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

系统仿真学报 2024年第11期36卷 2503-2516页

作者：伍云鹏付应雄沈丽君崔峰湖北大学湖北武汉430000 中国科学院自动化研究所北京100190 北京中科慧眼科技有限公司北京100190

在智能驾驶领域,准确识别交通标志对行车安全具有重要意义,交通标志训练集往往服从长尾分布,这为交通标志识别带来极大难度。针对于长尾分布数据集训练出的模型在尾类上表现差的现象,提出一种基于YOLOX-Tiny的长尾分布交通标志识别模型... 详细信息

在智能驾驶领域,准确识别交通标志对行车安全具有重要意义,交通标志训练集往往服从长尾分布,这为交通标志识别带来极大难度。针对于长尾分布数据集训练出的模型在尾类上表现差的现象,提出一种基于YOLOX-Tiny的长尾分布交通标志识别模型。在TT100K_2021(tsinghua-tencent 100K 2021)数据集基础上制作交通标志长尾数据集;从制作数据集图片数量、样本分布以及模型大小出发,选择YOLOX-Tiny作为基础模型;采用EQL v2(equalization loss v2)和FL(focal loss)作为分类损失和目标置信度损失,平衡分类器头尾差距,增强模型对目标置信度的预测;在颈部双向金字塔中引入上采样算子CARAFE、坐标注意力机制(coordinate attention,CA)和CAR-ASFF模块(CARAFE+adaptively spatial feature fusion),解决传统特征金字塔上不同层级特征图的反向传播冲突问题,提升特征重组效果,突出目标特征。研究结果表明:改进的YOLOX-Tiny模型在制作的长尾交通标志数据集上m AP_(50)和m AP_(50:95)分别达到了43.67%和29.98%,改进模型相比较其他几种目标检测模型具有更高的检测精度。

关键词：长尾分布 YOLOX 交通标志识别注意力机制特征重组多尺度特征融合

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

长尾分布的图像识别算法研究

长尾分布的图像识别算法研究

作者：陈宇祥西安电子科技大学

学位级别：硕士

随着人工智能技术的快速发展,深度学习已经成为解决很多领域实际问题的重要而有效的工具。尤其在图像识别领域更是成果显著,取得了令人振奋的进展。但是,针对长尾分布的图像识别,已有的深度学习识别算法性能表现偏低。为了对长尾分布的... 详细信息

随着人工智能技术的快速发展,深度学习已经成为解决很多领域实际问题的重要而有效的工具。尤其在图像识别领域更是成果显著,取得了令人振奋的进展。但是,针对长尾分布的图像识别,已有的深度学习识别算法性能表现偏低。为了对长尾分布的图像识别设计出更有效的算法,本文基于多专家网络,提出了三个有效的长尾分布的图像识别算法。本文的主要工作如下:(1)提出了一种基于异构多专家网络的长尾分布的图像识别算法(Long-tailed Distribution Image Recognition Algorithm Based on Heterogeneous Multi-expert Network,简称HMNA)。针对目前多专家网络分支结构单一导致学习到的特征差异化小的缺点。设计了一种异构多专家网络,在核参数总数不变的情况下,通过改进卷积核通道的方法将各专家分支设计成异构结构,可学到差异更大的图像特征,提高了识别性能。同时,为了使得专家分支数增加的操作简单易行,设计了一个各分支卷积核参数成等差数列增加的策略。在此基础上,提出了一种基于异构多专家网络的长尾分布的图像识别算法。(2)提出了一种实例自适应差异化损失的长尾分布的图像识别算法(Long-tailed Distribution Image Recognition Algorithm with Adaptive Instance Diversity Loss,简称AIDLA)。针对长尾分布的图像识别算法的损失函数中KL(Kullback–Leibler)散度差异化损失取值变化大且其权重不能自适应变化导致识别效果差的问题。首先,提出了一个改进的损失函数。该损失函数由分类损失项加带权的差异化损失项组成。差异化损失项是用余弦损失项代替KL散度损失项,余弦损失项具有对称性和取值范围可控性的优势。为了在分类损失项和差异化损失项中取得更好的平衡,设计了一个自适应权重策略。在此基础上,提出了一种实例自适应差异化损失的长尾分布的图像识别算法。(3)提出了一种稳定特征学习的长尾分布的图像识别算法(Long-tailed Distribution Image Recognition Algorithm Based on Constant Feature Learning,简称CFL)。针对长尾分布的图像识别不仅有分类偏置问题,还有属性偏置问题。首先,设计了置信度差异化引导策略,即多专家网络各分支中进行不同的Logit调整,集成各个专家分支来纠正分类偏置问题。其次,依据图像特征到类别中心的距离来设计模型的优化策略,使得样本特征在特征空间中尽量接近其对应类别中心,从而降低属性偏置的影响。在此基础上,提出了一种稳定特征学习的长尾分布的图像识别算法。(4)在不平衡率为10、50、100的CIFAR100-LT数据集、不平衡率为256的Image Net-LT数据集和长尾分布的i Naturalist2018实际图像识别数据集上对所提的三个算法的有效性进行了实验验证。结果表明,本文所提的三个算法对处理长尾分布的图像识别的性能优于对比算法的性能。

关键词：图像识别长尾分布深度学习计算机视觉

长尾分布下的深度领域自适应模型泛化性分析与优化研究

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

长尾分布下的深度领域自适应模型泛化性分析与优化研究

作者：刘奕辰北京邮电大学

学位级别：硕士

在现实世界场景中,深度学习任务存在长尾分布(Long-tail Learning,LT)或领域差异(Domain Discrepancy,DD)问题,这两种情况都可能影响深度学习模型的泛化。最近的工作已经分别提出了解决这些问题的有效方法。然而,很少有研究同时关注这... 详细信息

在现实世界场景中,深度学习任务存在长尾分布(Long-tail Learning,LT)或领域差异(Domain Discrepancy,DD)问题,这两种情况都可能影响深度学习模型的泛化。最近的工作已经分别提出了解决这些问题的有效方法。然而,很少有研究同时关注这两个问题,长尾分布与领域差异组合问题(Long-tail Learning with Domain Discrepancy,LT-DD)还没有得到很好地解决。根据机器学习泛化误差上界理论,模型的置信度在泛化误差的上界中起到了关键性的作用。本文根据泛化性理论,针对LT-DD问题的泛化性影响因素进行了分析,揭示了长尾分布和领域差异将如何影响机器学习模型的置信度,从而影响模型的泛化性,并据此提出了一个LT-DD场景下深度模型的参考设计原则。基于所提出的原则,本文分别从重加权和重采样两个角度优化了针对LT-DD问题的领域自适应模型。本论文的主要成果如下:1.针对长尾分布与领域差异的泛化性影响分析。本文通过关注LT和DD如何影响模型的泛化来解决长尾分布与领域差异共同存在时的挑战,根据上限误差理论推导得出了设计原则。该原则表明:第一,集成传统UDA模型与解耦方法的解耦域自适应框架可以在LT-DD数据集上学习紧凑的、无失真的域不变特征和分类器;第二,模型学习到的各类别特征应当紧凑并远离分类边界。本文为处理LT-DD问题提出了一个框架,并为未来同时学习高置信度的特征和分类器提供了更先进的方法。2.提出基于伪标签的解耦域自适应模型。根据提出的设计原则,本文将自训练与两阶段领域自适应模型相结合,提出了一种新的解耦领域自适应方法(PLD-DA)。为了提高分类器的分类可信度,方法引入了目标域的伪标签信息,使用基于伪标签的重加权学习策略来校准分类器。多项实验证明PLD-DA是一个简单有效的框架,它能够以更高的置信度最小化域自适应损失,并获得了具有较高置信度的无偏分类器,实现了更好的泛化效果,特别是对于尾部类。3.提出基于GAN的解耦域自适应模型(GAN-DDA)。使用基于GAN的生成技术解决了类别重平衡技术的缺陷,通过生成器模块和迭代训练,GAN-DDA实现了边生成边迁移的功能,对比常规解耦方法进一步提升了模型的置信度和少数类性能,表明基于GAN生成的重平衡方法比单纯使用重加权和过采样的重平衡方法更加有效,因为它避免了对类别分布的扭曲,并为少数类带来更多样性的样本特征。在与PLD-DA结合后,GAN-PLD-DA模型获得了最优性能,表明所提出方法有效且优越。

关键词：领域自适应长尾分布生成对抗网络

长尾分布的φ混合和UND随机变量的精细大偏差

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

长尾分布的φ混合和UND随机变量的精细大偏差

作者：齐晓梦大连理工大学

学位级别：硕士

精细大偏差在保险的理论研究中有很深远的意义,到现在为止,有很多研究者都对精细大偏差的研究做了不少贡献,得到了很多优秀的成果.服从重尾分布的随机变量也广泛运用于保险和金融模型中,于是将重尾分布与精细大偏差结合,成为近来概率论... 详细信息

精细大偏差在保险的理论研究中有很深远的意义,到现在为止,有很多研究者都对精细大偏差的研究做了不少贡献,得到了很多优秀的成果.服从重尾分布的随机变量也广泛运用于保险和金融模型中,于是将重尾分布与精细大偏差结合,成为近来概率论领域研究的热点,但是在现有成果中,关于长尾分布的精细大偏差的研究结果却不多.目前,也有一些研究者对Φ混合序列的性质和应用进行探讨,它被应用到平稳过程、时间序列及非平稳过程的统计推断等实用性较强的领域中,但是,我们对于Φ混合随机变量序列的精细大偏差的研究结果却知之甚少.在对精细大偏差的研究中,大多数研究人员只致力于研究只提供一种保险合同的保险公司,然而,这与现实生活中的实际情况是不符合的,因此,研究多维风险模型下的精细大偏差问题更具有实际应用价值.而且,根据我们所知道的已有结论,关于长尾分布、Φ混合随机变量序列、多维风险模型下的精细大偏差的渐近结果都相对较少.在这篇文章中,首先,我们得出了Φ混合序列的随机大数定律.其次,我们研究了Φ混合和UND随机变量和关于长尾分布的精细大偏差,并分别得到了长尾分布随机变量的非随机和以及随机和的渐近关系.最后,鉴于保险公司的实际情况,提出了多维风险模型,作为一维情况的推广,我们研究了在多维风险模型下长尾分布的Φ混合和UND随机变量和的精细大偏差,并分别得到了在这个模型下,长尾分布随机变量的非随机和以及随机和的渐近关系.

关键词：精细大偏差长尾分布 φ混合上负相依多维风险模型