检索结果-南通市图书馆

基于focal loss改进的GBDT模型对天津强对流灾害的预报

在线全文

学校读者我要写书评

暂无评论

灾害学 2020年第3期35卷 34-37,50页

作者：路志英汪永清孙晓磊贾惠珍天津大学电气自动化与信息工程学院天津300072 天津市海洋中心气象台天津300074 天津市气象台天津300074

强对流灾害是气象研究的重点,不准确的强对流灾害天气预报往往给人们的安全以及社会经济造成影响。该文利用天津2006-2018年的地面气象观测站点的地面物理场数据,筛选出强对流灾害性天气过程,对天津强对流灾害天气进行研究。首先对地面... 详细信息

强对流灾害是气象研究的重点,不准确的强对流灾害天气预报往往给人们的安全以及社会经济造成影响。该文利用天津2006-2018年的地面气象观测站点的地面物理场数据,筛选出强对流灾害性天气过程,对天津强对流灾害天气进行研究。首先对地面站点获取的数据通过主成分分析方法进行降维,然后构建基于focal loss改进的GBDT模型,最后通过五折交叉验证的方式进行训练与测试。结果表明,该模型对强对流灾害天气预报的命中率、误警率和临界成功指数上都有较好的表现,可为天津强对流天气的预报提供有效的依据。

关键词：强对流灾害主成分分析 focal loss GBDT模型交叉验证

融合GIoU和focal loss的YOLOv3目标检测算法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2020年第24期56卷 214-222页

作者：邹承明薛榕刚交通物联网湖北省重点实验室武汉430070 武汉理工大学计算机科学与技术学院武汉430070 鹏程实验室广东深圳518000

YOLOv3目标检测算法检测速度快且精度较高,但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法,该算法在YOLOv3的基础上,对网络中的残差块增加旁路连接,进一步进行特征重用,以提取更多的特... 详细信息

YOLOv3目标检测算法检测速度快且精度较高,但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法,该算法在YOLOv3的基础上,对网络中的残差块增加旁路连接,进一步进行特征重用,以提取更多的特征信息。同时,采用GIoUloss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化。在损失函数中加入focal loss,减小正负样本不平衡带来的误差。在PASCAL VOC和COCO数据集上的实验结果表明,该算法能够在不影响YOLOv3算法实时性的前提下,提高目标检测的mAP。该算法在PASCAL VOC 2007测试集上达到83.7mAP(IoU=0.5),在COCO测试集上比YOLOv3算法提升2.27mAP(IoU[0.5,0.95])。

关键词： YOLOv3算法目标检测 GIou loss focal loss

A Cyber Intrusion Detection Method based on focal loss Neural Network

在线全文

学校读者我要写书评

暂无评论

A Cyber Intrusion Detection Method based on Focal Loss Neura...

融合focal loss与典型卷积神经网络结构的水稻病害图像分类

第三十九届中国控制会议

作者： Zhonghao Cheng Senchun Chai School of Automation Beijing Institute of Technology

In recent years, the applications of cyber security have been more and more widespread. Intrusion detection system as the main research direction of cyber security has attracted much attention from industrial and academic area. The performance of traditional prior knowledge based methods is degraded significantly when the system is placed in the great variable *** Learning detection method, which depends on the neural network, has high flexibility in complex environments. The sample imbalance problem of intrusion detection dataset usually confuses the engineers and researchers. In this paper, we propose an intrusion detection method which is focal loss based neural network to reduce the influence of sample imbalance *** focal loss pays more attention on the wrong predicted samples. In other words it shrinks the affects of well trained large sample categories in the total loss. In order to illustrate the performance of the proposed method, we implement two intrusion detection systems while training in different loss functions: cross entropy loss and focal loss. The experiment results show that the proposed method can effectively increase the detection performance of few sample categories.

关键词： Intrusion Detection Neural Network Sample Imbalance focal loss

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

江苏农业科学 2023年第14期51卷 198-204页

作者：杨非凡徐伟诚陈盛德兰玉彬华南农业大学电子工程学院(人工智能学院)/国家精准农业航空施药技术国际联合研究中心广东广州510642

快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义,为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题,融合focal loss与4种典型卷积神经网络结构对7种水稻病... 详细信息

快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义,为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题,融合focal loss与4种典型卷积神经网络结构对7种水稻病害进行分类识别。利用TensorFlow的Keras深度学习框架搭建卷积神经网络的图像识别分类系统,使用focal loss损失函数解决数据集不平衡导致识别准确率低的问题,采用ResNet50、ResNet101、MobileNetV2、VGG16作为特征提取骨干,对7种水稻病害进行识别。通过imgaug库增强数据,将13543张水稻病害图像按照9∶1的比例划分为训练集和验证集并参与训练模型,将1404张水稻病害图像作为测试集来验证模型的准确性。结果表明,所搭建的数据集中ResNet50、ResNet101、MobileNetV2、VGG16的识别准确率分别为98.06%、94.26%、92.47%、97.83%。可见,在融合focal loss损失函数的情况下,ResNet50作为特征提取骨干训练出的模型在水稻病害图像分类中拥有最高的准确率,该成果可在实际生产中实现水稻病害的自动分类识别,有助于水稻病害的防治工作。

关键词：水稻病害识别卷积神经网络 focal loss ResNet MobileNetV2 VGG16

Modified focal loss在意图识别中的应用研究

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

Modified Focal Loss在意图识别中的应用研究

作者：张海腾东北大学

学位级别：硕士

对话系统为自然语言处理中至关重要的研究方向之一,是智能家居,智能手机等领域的重要基础。意图识别对于管道法的对话系统的性能有着重要作用。目前,意图识别领域已经取得较大的进展,但仍然存在着问题与挑战。例如,在对话系统的意图识... 详细信息

对话系统为自然语言处理中至关重要的研究方向之一,是智能家居,智能手机等领域的重要基础。意图识别对于管道法的对话系统的性能有着重要作用。目前,意图识别领域已经取得较大的进展,但仍然存在着问题与挑战。例如,在对话系统的意图识别领域中,会存在意图不均衡问题,若能缓解该问题,能进一步提升对话系统的性能。针对上述的问题,本文主要研究内容包括:1、本文引入了衰减剩余的概念,用以反映交叉熵损失函数与其改进版本的损失函数的差异。focal loss损失函数在分类过程中,相对于交叉熵损失函数,其损失值均是减小。且在模型正确概率较大时,其衰减剩余较小。这反映了 focal loss损失函数在处理不平衡数据上存在局限性。2、本文提出了 Modified focalloss,在其中引入了衰减阈值,该参数决定损失函数中在某一分类概率下相对于交叉熵损失函数应扩大或缩小。引入衰减阈值后,使得Modified focal loss损失剩余随着正确分类概率增大而减小。3、基于交叉熵损失函数、focal loss损失函数以及Modified focal loss损失函数进行意图识别实验,通过实验证明证明出Modified focal loss相对于focal loss在意图识别方面有显著优势。

关键词：意图识别不平衡数据 focal loss Modified focal loss

基于focal loss和卷积神经网络的入侵检测

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

计算机与现代化 2021年第1期 65-69页

作者：闫芮铵张立臣广东工业大学计算机学院广东广州510006

入侵检测是信息安全防护领域中的一个重要环节。随着网络技术的发展,主动防御网络入侵变得越来越重要,同时入侵数据变得更加海量、复杂和不平衡,这导致传统的入侵检测技术的检测性能比较低,因此如何提高入侵检测系统的性能对于不平衡数... 详细信息

入侵检测是信息安全防护领域中的一个重要环节。随着网络技术的发展,主动防御网络入侵变得越来越重要,同时入侵数据变得更加海量、复杂和不平衡,这导致传统的入侵检测技术的检测性能比较低,因此如何提高入侵检测系统的性能对于不平衡数据集的检测性能是一项巨大的挑战。传统的CNN模型对于处理复杂的数据具有很好的性能,但是在处理不平衡数据集上的效果不是很好。为了解决这个问题,提出一种基于focal loss和卷积神经网络的入侵检测方法。与传统的卷积神经网络不同,该模型利用focal loss损失函数来解决数据不平衡问题,并在卷积层加入正则化方法(DropBlock)用来提高模型的泛化能力。采用KDD 99数据集进行的实验表明,该模型入侵检测的准确率和精确率比传统的入侵检测模型有所提高。

关键词：入侵检测网络安全卷积神经网络正则化不平衡数据集 focal loss

一种结合focal loss的不平衡数据集提升树分类算法

在线全文

学校读者我要写书评

暂无评论

软件导刊 2021年第11期20卷 65-69页

作者：朱翌民郭茹燕巨家骥张帅张维上海工程技术大学电子电气工程学院上海201620

针对不平衡数据集分类问题中存在的难易样本不平衡问题,提出在提升树算法的基础上结合focal loss的不平衡数据集分类算法。分别在HTRU3、Yeast3、Test的不平衡数据集上对该算法与Borderline-SMOTE结合梯度提升树算法进行比较。实验结果... 详细信息

针对不平衡数据集分类问题中存在的难易样本不平衡问题,提出在提升树算法的基础上结合focal loss的不平衡数据集分类算法。分别在HTRU3、Yeast3、Test的不平衡数据集上对该算法与Borderline-SMOTE结合梯度提升树算法进行比较。实验结果表明,在HTRU2数据集上,该算法F1-score最高为0.970,而Borderline-SMOTE结合梯度提升树算法为0.972,虽然分类性能没有得到明显提升,但该算法仅需13次迭代便可收敛,而传统梯度提升树算法则需20次以上迭代才能收敛。在提升树模型中引入focal loss损失函数可有效提升模型收敛速度,且在一定程度上保持了模型分类性能。

关键词：不平衡数据集难分样本易分样本 focal loss 梯度提升算法

ProNet Adaptive Retinal Vessel Segmentation Algorithm Based on Improved UperNet Network

在线全文

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2024年第1期78卷 283-302页

作者： Sijia Zhu Pinxiu Wang Ke Shen CW Chu College Jiangsu Normal UniversityXuzhou221000China Biomedical Engineering College Southern Medical UniversityGuangzhou510080China

This paper proposes a new network structure,namely the ProNet *** medical image segmentation can help clinical diagnosis of related eye diseases and is essential for subsequent rational *** baseline model of the ProNet network is UperNet(Unified perceptual parsing Network),and the backbone network is ConvNext(Convolutional Network).A network structure based on depth-separable convolution and 1×1 convolution is used,which has good performance and *** further optimise ProNet mainly in two *** is data enhancement using increased noise and slight angle rotation,which can significantly increase the diversity of data and help the model better learn the patterns and features of the data and improve the model’s ***,it can effectively expand the training data set,reduce the influence of noise and abnormal data in the data set on the model,and improve the accuracy and reliability of the *** is the loss function aspect,and we finally use the focal loss *** focal loss function is well suited for complex tasks such as object *** function will penalise the loss carried by samples that the model misclassifies,thus enabling better training of the model to avoid these errors while solving the category imbalance problem as a way to improve image segmentation density and segmentation *** the experimental results,the evaluation metrics mIoU(mean Intersection over Union)enhanced by 4.47%,and mDice enhanced by 2.92% compared to the baseline *** generalization effects and more accurate image segmentation are achieved.

关键词： Retinal segmentation multifaceted optimization cross-fusion data enhancement focal loss

基于Unet+Attention的胸部CT影像支气管分割算法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

中国生物医学工程学报 2024年第1期43卷 60-69页

作者：张子明周庆华薛洪省覃文军东北大学医学影像智能计算教育部重点实验室沈阳110189 东北大学计算机科学与工程学院沈阳110189 大连大学附属中山医院辽宁大连116001

目前肺气管分割中,由于CT图像灰度分布复杂,分割目标像素近似,易造成过分割;而且肺气管像素较少,难以得到更多目标特征,造成细小肺气管容易被忽略。针对这些难点,本研究提出结合Unet网络和注意力机制的肺气管分割算法,注意力机制使用的... 详细信息

目前肺气管分割中,由于CT图像灰度分布复杂,分割目标像素近似,易造成过分割;而且肺气管像素较少,难以得到更多目标特征,造成细小肺气管容易被忽略。针对这些难点,本研究提出结合Unet网络和注意力机制的肺气管分割算法,注意力机制使用的是关注通道域和空间域的卷积块注意力模型(CBAM),该模型提高了气管特征权重。在损失函数方面,针对原始数据中正负样本失衡的问题,引入focal loss损失函数,该函数对标准交叉熵损失函数进行了改进,使难分类样本在训练过程中得到更多关注;最后通过八连通域判断将孤立点去除,保留较大的几个连通域,即最后的肺气管部分。选用由合作医院提供的24组CT影像和43组CTA影像,共计26157张切片图像作为数据集,进行分割实验。结果表明,分割准确率能够达到0.86,过分割率和欠分割率均值为0.28和0.39。经过注意力模块和损失函数的消融实验,在改进前的准确率、过分割率和欠分割率分别为0.81、0.30、0.40,可见其分割效果均不如Unet+Attention方法。与其他常用方法在相同条件下进行比较后,在保证过分割率和欠分割率不变的情况下,所提出的算法得到了最高的准确率,较好地解决了细小气管分割不准确的问题。

关键词：医学图像分割肺气管 Unet 注意力机制 focal loss