提出一种金属表面缺陷检测方法的改进模型.首先,基于YOLOv3(you only look once v3)目标检测模型,使用多尺度卷积并行结构,提取、融合多尺度特征;其次,使用高效下采样,在保留特征信息的同时减少特征升维的计算量;最后,使用空间可分离卷...提出一种金属表面缺陷检测方法的改进模型.首先,基于YOLOv3(you only look once v3)目标检测模型,使用多尺度卷积并行结构,提取、融合多尺度特征;其次,使用高效下采样,在保留特征信息的同时减少特征升维的计算量;最后,使用空间可分离卷积,在保持感受野不变的前提下增加模型的宽度与深度,从而得到模型参数量减少、同时提升了模型性能的改进模型YOLOv3I(you only look once v3 inception).改进模型提高了对复杂缺陷的特征提取能力,并进一步降低了对硬件配置的要求.实验结果表明,改进模型在精度与计算效率上均有明显提升.平均准确率在公开数据集上约提高5%,在企业提供的轴承数据集上约提高3%,模型参数量下降超过20%,两个数据集上模型浮点计算量分别减少1.6×10^(9)和1.2×10^(10)次.展开更多
针对多视图深度子空间聚类网络(Multi-view Deep Subspace Clustering Networks,MvDSCN)算法具有的没有充分利用多视图互补信息、进行一次聚类直接得到聚类结果,以及只考虑数据级信息融合而降低了聚类性能等缺点,提出两级联合融合的多...针对多视图深度子空间聚类网络(Multi-view Deep Subspace Clustering Networks,MvDSCN)算法具有的没有充分利用多视图互补信息、进行一次聚类直接得到聚类结果,以及只考虑数据级信息融合而降低了聚类性能等缺点,提出两级联合融合的多视图子空间聚类改进算法(TJ-MvDSCN)。不仅关注多视图共性信息,还关注多视图互补信息;增加分配级别的多视图信息融合,与已有的数据级信息融合形成两级融合结构;增加聚类损失,基于迭代优化策略构建一个可以联合学习特征表示和聚类分配的多视图聚类框架。经实验验证,该算法性能优于现有算法。展开更多
基于自注意力网络和神经协同过滤模型(neural collaborative filtering,NCF)提出一种基于自注意力机制的组推荐系统模型SAGR(self-attention group recommendation),用于建模用户交互数据以及学习群组潜在偏好的表示。通过在用户级和项...基于自注意力网络和神经协同过滤模型(neural collaborative filtering,NCF)提出一种基于自注意力机制的组推荐系统模型SAGR(self-attention group recommendation),用于建模用户交互数据以及学习群组潜在偏好的表示。通过在用户级和项目级分别使用自注意力机制,动态调整组中每个用户的权重,解决偏好融合问题从而得到组表示。再通过多层神经网络框架NCF从数据中挖掘组和项目之间的交互,最终完成群组推荐。在CAMRa2011和MovieLens数据集上与同类方法进行对比,实验结果表明SAGR方法能够取得更好的组推荐结果。展开更多
传统推荐算法多基于用户兴趣的静态属性获得用户偏好,忽略了用户兴趣漂移问题,为此,提出了解决该问题的融合用户兴趣漂移的Top-N推荐算法。利用长短期记忆网络(LSTM,long short term memory)处理时序数据的优势表示用户短期兴趣漂移规律...传统推荐算法多基于用户兴趣的静态属性获得用户偏好,忽略了用户兴趣漂移问题,为此,提出了解决该问题的融合用户兴趣漂移的Top-N推荐算法。利用长短期记忆网络(LSTM,long short term memory)处理时序数据的优势表示用户短期兴趣漂移规律,用矩阵分解得到的固定向量表示用户的长期兴趣,将注意力机制纳入LSTM隐藏状态的表示中来获取用户长短期兴趣关联。实验结果表明,所提算法与当前流行算法相比,在Top-N项目推荐中具有更优性能。展开更多
文摘提出一种金属表面缺陷检测方法的改进模型.首先,基于YOLOv3(you only look once v3)目标检测模型,使用多尺度卷积并行结构,提取、融合多尺度特征;其次,使用高效下采样,在保留特征信息的同时减少特征升维的计算量;最后,使用空间可分离卷积,在保持感受野不变的前提下增加模型的宽度与深度,从而得到模型参数量减少、同时提升了模型性能的改进模型YOLOv3I(you only look once v3 inception).改进模型提高了对复杂缺陷的特征提取能力,并进一步降低了对硬件配置的要求.实验结果表明,改进模型在精度与计算效率上均有明显提升.平均准确率在公开数据集上约提高5%,在企业提供的轴承数据集上约提高3%,模型参数量下降超过20%,两个数据集上模型浮点计算量分别减少1.6×10^(9)和1.2×10^(10)次.
文摘针对多视图深度子空间聚类网络(Multi-view Deep Subspace Clustering Networks,MvDSCN)算法具有的没有充分利用多视图互补信息、进行一次聚类直接得到聚类结果,以及只考虑数据级信息融合而降低了聚类性能等缺点,提出两级联合融合的多视图子空间聚类改进算法(TJ-MvDSCN)。不仅关注多视图共性信息,还关注多视图互补信息;增加分配级别的多视图信息融合,与已有的数据级信息融合形成两级融合结构;增加聚类损失,基于迭代优化策略构建一个可以联合学习特征表示和聚类分配的多视图聚类框架。经实验验证,该算法性能优于现有算法。
文摘基于自注意力网络和神经协同过滤模型(neural collaborative filtering,NCF)提出一种基于自注意力机制的组推荐系统模型SAGR(self-attention group recommendation),用于建模用户交互数据以及学习群组潜在偏好的表示。通过在用户级和项目级分别使用自注意力机制,动态调整组中每个用户的权重,解决偏好融合问题从而得到组表示。再通过多层神经网络框架NCF从数据中挖掘组和项目之间的交互,最终完成群组推荐。在CAMRa2011和MovieLens数据集上与同类方法进行对比,实验结果表明SAGR方法能够取得更好的组推荐结果。
文摘传统推荐算法多基于用户兴趣的静态属性获得用户偏好,忽略了用户兴趣漂移问题,为此,提出了解决该问题的融合用户兴趣漂移的Top-N推荐算法。利用长短期记忆网络(LSTM,long short term memory)处理时序数据的优势表示用户短期兴趣漂移规律,用矩阵分解得到的固定向量表示用户的长期兴趣,将注意力机制纳入LSTM隐藏状态的表示中来获取用户长短期兴趣关联。实验结果表明,所提算法与当前流行算法相比,在Top-N项目推荐中具有更优性能。
