数据结构SPOC课程的四级翻转课堂教学模式

分析单一翻转课堂模式的弊端,提出数据结构SPOC课程的“不翻转、初级翻转、中级翻转、高级翻转的线上线下混合式四级翻转课堂”教学新模式,以“图”为例,介绍该模式在数据结构SPOC课程中的应用。

基于优化损失函数的YOLOv2目标检测器

针对基于深度学习的单阶段目标检测器在训练过程中的样本不均衡问题,设计了一种新型的基于Softmax分类的动态调制交叉熵损失函数。此损失函数能够高效地降低训练过程中的易分负样本的损失权重,相应地提高困难样本的损失权重,从而可以使模型的整个训练过程变得高效。将基于Softmax分类的动态调制交叉熵损失函数代替标准的交叉熵损失函数用于YOLOv2训练中关于类别预测的损失计算,能够一定程度上提升YOLOv2的检测准确率。

基于候选区域迭代提炼的目标检测方法

目标检测器Faster R-CNN的区域生成网络生成的表示物体在图片上潜在位置的候选区域的准确性不高,从而制约了检测准确率进一步提升的可能。针对此问题,提出了基于Faster R-CNN的候选区域纯迭代提炼模型和LSTM迭代提炼模型。纯迭代提炼模型在PASCAL VOC 07训练集上进行网络训练,在测试集上基于VGG-16骨干网络的迭代模型得到的最好mAP比基准高1.1%,基于ZFNet得到的最好mAP比基准高1.5%。LSTM迭代提炼模型也能够较好地提升检测准确率。而且由于LSTM层的加入,使得此模型能够从后一次候选区域迭代过程向前一次迭代进行反向传播,实现了端到端的学习。

目标检测模型的优化训练方法研究

针对基于深度学习的目标检测模型如何能更高效地训练问题,探究数据增强、类标签平滑、学习率优化和随机尺度训练四种优化训练方法对于检测性能的提升程度,并将其用于单阶段检测模型YOLOv3和双阶段检测模型Faster R-CNN。在PASCAL VOC数据集上进行训练测试,证明这些方法都能在一定程度上提高检测准确率,并阐释了各种方法提升准确率的原因。在MS COCO数据集上实验证明这些优化训练方法的泛化能力,能够更高效地训练目标检测模型。