采用多目标优化的深度学习测试优化方法

随着深度学习技术的快速发展,对其质量保障的研究也逐步增多.传感器等技术的迅速发展,使得收集测试数据变得不再困难,但对收集到的数据进行标记却需要花费高昂的代价.已有工作尝试从原始测试集中筛选出一个测试子集以降低标记成本,这些测试子集保证了与原始测试集具有相近的整体准确率(即待测深度学习模型在测试集全体测试输入上的准确率),但却不能保证在其他测试性质上与原始测试集相近.例如,不能充分覆盖原始测试集中各个类别的测试输入.提出了一种基于多目标优化的深度学习测试输入选择方法DMOS(deep multi-objective selection),其首先基于HDBSCAN(hierarchical density-based spatial clustering of application swith noise)聚类方法初步分析原始测试集的数据分布,然后基于聚类结果的特征设计多个优化目标,接着利用多目标优化求解出合适的选择方案.在8组经典的深度学习测试集和模型上进行了大量实验,结果表明,DMOS方法选出的最佳测试子集(性能最好的Pareto最优解对应的测试子集)不仅能够覆盖原始测试集中更多的测试输入类别,而且对各个类别测试输入的准确率估计非常接近原始测试集.同时,它还能保证在整体准确率以及测试充分性上的估计也接近于原始测试集:对整体准确率估计的平均误差仅为1.081%,比最新方法PACE(practical accuracy estimation)减小了0.845%的误差,提升幅度为43.87%;对各个类别测试输入的准确率估计的平均误差仅为5.547%,比最新方法PACE减小了2.926%的误差,提升幅度为34.53%;对5种测试充分性度量的平均估计误差仅为8.739%,比最新方法PACE减小了7.328%的误差,提升幅度为45.61%.

嵌入式人脸检测摄像机的开发与应用研究

针对视频实时人脸识别存在服务器开销过大的问题,研究了适合人脸识别的嵌入式人脸检测摄像机,首先改进JDA算法,解决了服务器与摄像机传输无效数据问题;然后将改进后的算法嵌入到摄像机内,实现人脸检测与人脸识别无缝对接.在"商超"场景,测试了嵌入式人脸检测摄像机性能,结果表明:嵌入式摄像机与非嵌入式摄像机对比,服务器携带的摄像机由原来的2路提高到8路,部署成本降低了30%;人脸识别速度提高了近2个百分点.

基于自适应PSO的改进K-means算法及其在电子病历聚类分析应用

针对传统的K-means算法在过分依赖初始聚类中心选取方面的不足,论文提出了一种基于自适应PSO的K-means聚类算法。该算法设计了一种自适应惯性权重函数对PSO进行动态调整,然后与K-means算法融合,使K-means的各个初始聚类中心能自适应生成,达到全局最优,最后将上述改进的聚类算法应用于医学电子病历数据病症的聚类处理。实验结果表明该算法具有更高的电子病历病症聚类准确率和执行效率。

一种基于改进JDA算法的人脸检测方法

JDA人脸检测算法具有速度快、精度高等特点,但存在两个问题,一是对检测样本的尺寸、角度等有一定的要求,二是把人脸检测与人脸识别分开,人脸识别性能不降反增。针对这一问题,论文设计的人脸检测算法JDA2对JDA进行了四个方面的改进:关键帧提取、人脸定位与跟踪、人脸过滤和有效人脸样本发送。在数据集CMU+MIT上测试了JDA2的性能,结果表明:与JDA算法比较,人脸识别速度提高了约2%。