一种基于降噪自编码的组合分类算法

针对传统分类学习算法的准确性现状进行了研究,提出了一种基于降噪自编码的组合分类算法(Ensemble Learning based on Denosing Autoencoder,ELDA).与Bagging、Adaboost以及Rotation Forest等传统的组合分类器学习方法不同,ELDA首先通过使用降噪自编码算法将数据集映射到新的特征空间,然后在此空间学习得到决策树作为基分类器,最后对数据集进行类别预测.通过与Bagging、Adaboost及Rotation Forest学习方法相比,结果表明:ELDA在预测精度上显著优于对比算法.

校园航拍图像超分辨率重建的粒计算方法

提出了校园航拍图像超分辨率重建的粒计算方法,包括:(1)提出了图像粒化方法,实现图像空间向粒度空间的转化;(2)设计粒之间合并运算和分解运算,构造粒之间的模糊包含关系μ和σ,实现不同粒度空间之间的转化,获取图像的先验知识,指导校园航拍图像超分辨率重建算法的设计;(3)根据自顶向下、自底向上两种模式和图像先验知识,设计校园航拍图像超分辨率重建粒计算算法,实现粒度空间向图像空间的转化.实验验证了提出方法的可行性.

一种智慧矿山场景下的目标检测方法

智慧矿山场景单一、目标种类少,对识别算法速度要求高。针对上述特点,文中在YOLOv3的基础上提出了一种Mine_YOLOv3网络。设计了一种Darknet-31特征提取网络,既可以提取矿卡等大目标的语义特征,又可以提取石头等小目标的细节特征,且网络计算量较少,有利于快速识别前方障碍物。此外,针对k-means聚类算法对初始点敏感的缺点,文中使用k-means++生成先验框坐标,提高了算法收敛的速度。实验证明,改进后的算法在矿山数据集上的FPS为50.7,mAP为68.32%,可快速准确地对智慧矿山中的目标进行识别。