提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME(forward stagewise additive modeling using a multi-class exponential loss function)。该算法是基于原始的两类分类AdaBoost算法归结为使...提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME(forward stagewise additive modeling using a multi-class exponential loss function)。该算法是基于原始的两类分类AdaBoost算法归结为使用两类分类指数损失函数的前向逐步叠加模型的统计学观点,将两类分类的前向逐步叠加模型自然扩展到多类分类情况下得到的,并采用多类指数损失函数和前向逐步叠加模型对FSAMME进行了详细的理论证明。该算法大大降低对弱分类器的精度要求,只需每个弱分类器的精度比随机猜测好;算法简单明了,不用把多类问题转化为多个两类问题,而是直接求解多类分类问题,大大减小计算复杂度和计算量。通过对基准数据库的测试分类及航空发动机故障样本的诊断,结果表明:FSAMME算法一方面可达到较高的分类诊断准确率,其准确率明显高于AdaBoost.M1,略高于AdaBoost.MH;另一方面可大大减小计算成本,满足在线快速分类诊断的要求。展开更多
针对无人机(UAV)测量中出现的运动模糊问题,尝试将DeblurGANv2网络引入到UAV测量模糊图像的恢复任务中,并设计一种自适应指数移动平均损失函数(Adaptive Exponential Moving Average Loss Function, AEMALF),又将维纳滤波后的图像存在...针对无人机(UAV)测量中出现的运动模糊问题,尝试将DeblurGANv2网络引入到UAV测量模糊图像的恢复任务中,并设计一种自适应指数移动平均损失函数(Adaptive Exponential Moving Average Loss Function, AEMALF),又将维纳滤波后的图像存在振铃效应进行高频抑制并通过色彩映射等方法恢复原图像部分细节,建立了模拟仿真的UAV测量运动模糊图像数据集。提出了一种改进的对抗网络DeblurGANv2算法和配合维纳滤波预处理的图像去模糊方法。实验结果表明,相较于同类算法,所提算法更能充分挖掘图像多尺度特征,恢复的图像平均峰值信噪比(Peak Signal to Noise Ratio, PSNR)和平均结构相似性(Structural Similarity, SSIM)均有显著提高。展开更多
目的跨对象脑电睡眠分期是国际顶级会议NeurIPS 2021最新提出的一项挑战性任务,目的是解决当前脑电睡眠分期中主要存在的目标数据不足问题。本文基于深度学习方法对该任务进行了初步探索,通过对数据集的深入分析,结合深度学习AttnSleep(...目的跨对象脑电睡眠分期是国际顶级会议NeurIPS 2021最新提出的一项挑战性任务,目的是解决当前脑电睡眠分期中主要存在的目标数据不足问题。本文基于深度学习方法对该任务进行了初步探索,通过对数据集的深入分析,结合深度学习AttnSleep(attention-based deep learning approach for sleep stage classification)模型,设计实现了一种基于类感知损失函数(class-aware loss function)的单通道脑电睡眠分期方法。方法实验数据来自NeurIPS 2021 BEETL Competition任务一官方所提供的跨对象数据集,首先对脑电数据进行标准化预处理,然后使用本文设计的方法进行睡眠分期,并对其结果进行检验。结果在数据集提供的2个不同年龄组别中,本文方法分别达到了67.33和66.68的任务指标,同时也验证了类感知损失函数的作用。结论使用基于类感知损失函数的单通道AttnSleep模型有助于在目标数据不足的情况下提升跨对象脑电睡眠分期的效果。文中所用的实验方法代码将发布于https://github.com/MatrixWP/EEG-sleep-stage-classification。展开更多
文摘提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME(forward stagewise additive modeling using a multi-class exponential loss function)。该算法是基于原始的两类分类AdaBoost算法归结为使用两类分类指数损失函数的前向逐步叠加模型的统计学观点,将两类分类的前向逐步叠加模型自然扩展到多类分类情况下得到的,并采用多类指数损失函数和前向逐步叠加模型对FSAMME进行了详细的理论证明。该算法大大降低对弱分类器的精度要求,只需每个弱分类器的精度比随机猜测好;算法简单明了,不用把多类问题转化为多个两类问题,而是直接求解多类分类问题,大大减小计算复杂度和计算量。通过对基准数据库的测试分类及航空发动机故障样本的诊断,结果表明:FSAMME算法一方面可达到较高的分类诊断准确率,其准确率明显高于AdaBoost.M1,略高于AdaBoost.MH;另一方面可大大减小计算成本,满足在线快速分类诊断的要求。
文摘针对无人机(UAV)测量中出现的运动模糊问题,尝试将DeblurGANv2网络引入到UAV测量模糊图像的恢复任务中,并设计一种自适应指数移动平均损失函数(Adaptive Exponential Moving Average Loss Function, AEMALF),又将维纳滤波后的图像存在振铃效应进行高频抑制并通过色彩映射等方法恢复原图像部分细节,建立了模拟仿真的UAV测量运动模糊图像数据集。提出了一种改进的对抗网络DeblurGANv2算法和配合维纳滤波预处理的图像去模糊方法。实验结果表明,相较于同类算法,所提算法更能充分挖掘图像多尺度特征,恢复的图像平均峰值信噪比(Peak Signal to Noise Ratio, PSNR)和平均结构相似性(Structural Similarity, SSIM)均有显著提高。
文摘目的跨对象脑电睡眠分期是国际顶级会议NeurIPS 2021最新提出的一项挑战性任务,目的是解决当前脑电睡眠分期中主要存在的目标数据不足问题。本文基于深度学习方法对该任务进行了初步探索,通过对数据集的深入分析,结合深度学习AttnSleep(attention-based deep learning approach for sleep stage classification)模型,设计实现了一种基于类感知损失函数(class-aware loss function)的单通道脑电睡眠分期方法。方法实验数据来自NeurIPS 2021 BEETL Competition任务一官方所提供的跨对象数据集,首先对脑电数据进行标准化预处理,然后使用本文设计的方法进行睡眠分期,并对其结果进行检验。结果在数据集提供的2个不同年龄组别中,本文方法分别达到了67.33和66.68的任务指标,同时也验证了类感知损失函数的作用。结论使用基于类感知损失函数的单通道AttnSleep模型有助于在目标数据不足的情况下提升跨对象脑电睡眠分期的效果。文中所用的实验方法代码将发布于https://github.com/MatrixWP/EEG-sleep-stage-classification。
