基于度量元学习的铁路小样本入侵目标检测方法

异物入限是导致铁路安全事故频发的主要原因之一,传统深度学习需要大量训练样本进行网络训练,但铁路场景中入侵样本很少且难于获取。本文提出了基于改进度量元学习的铁路小样本异物入侵检测方法。为了让入侵目标的特征表征在分类时发挥更大作用,提出了基于通道注意力机制的特征提取网络;为解决样本数量不足时个别样本在特征空间中产生偏离的问题,提出了一种基于类中心微调的网络用于类别中心的修正;同时,基于center loss与交叉熵构建了中心相关损失函数用于小样本网络训练,提升特征空间中同类别特征分布的紧凑性。在公共数据集miniImageNet上与经典小样本学习模型中最优的相比,本文算法在5-way 5-shot设置下图像分类准确率提升了7.31%。在铁路入侵小样本数据集的5-way 5-shot消融实验表明:本文提出的通道注意力机制(Channel Attention Mechanism,CAM)和中心相关损失函数分别提升0.86%和1.91%的检测精度;提出的类中心微调和预训练方法对检测精度的提升效果更明显,分别达到3.05%和6.70%,上述模块综合应用的提升效果达到了7.90%。

基于多尺度特征度量元学习的玉米叶片病害识别模型研究

传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大,基于此,提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先,利用Vgg-16、Swin Transformer网络,将玉米叶片病害图片映射到全局和局部特征空间;然后,利用多尺度特征融合网络,实现全局和局部特征的深度融合,强化特征的分类能力;最后,利用无参数元学习网络,实现待测玉米叶片病害图片与特征集之间的度量,根据度量结果,实现玉米叶片病害的快速定位与识别。在开源Plant Village数据集、自建玉米叶片病害数据集上进行了测试,所提出模型的识别准确率分别为97.45%、96.39%,同时保持了较低的识别时间开销;相比其他经典玉米叶片病害识别模型,具有更强的鲁棒性和泛化性能。

基于元度量学习的小样本输电线路图像部件缺陷分类方法

对巡检图像缺陷准确分类是输电线路自动巡检领域中的关键技术之一。针对因缺陷类别图片数量少而导致传统深度学习方法容易出现过拟合与精度低的问题,提出了一种基于元度量学习的小样本输电线路图像部件缺陷分类方法。首先,搭建了基于小样本学习的图像分类网络,采用基于深度残差结构的卷积层来增强网络特征表达能力。然后,在度量模块中引入基于皮尔森相似度的k-近邻算法与局部特征描述符重加权机制,以提高网络分类能力。最后,为验证所提方法的有效性,利用巡检图像构成的数据集对本文方法和其他基于元度量学习的小样本分类方法进行实验对比分析。结果表明:该文提出的方法在分类性能上有明显优势。同时,本文算法的平均准确率在每类缺陷的测试样本仅有15张图片的情况下达到80.24%。

基于元度量学习的小样本空战目标意图识别方法

针对战场复杂环境下通过较少空战对抗数据识别作战意图的问题,提出基于元度量学习框架的作战意图识别方法。该方法通过构建基于双向门控循环单元网络,实现对空战时序数据的有效特征提取,进而提出注意力机制,促使网络实现对小样本空战数据时序核心特征的充分提取,从而获取类间差异,达到较高的空战意图识别的准确率和速度。仿真实验表明,所提方法对于空战目标意图识别具有较好的准确率和实时性,在小样本数据的情况下能够实现较好的识别性能。

基于元度量学习的低资源语音识别

随着大数据及设备超强运算能力的出现,语音识别系统的性能得到了大幅提升.但在低资源语音识别研究中,由于缺乏足够的训练数据,模型很容易出现过拟合、识别精度低等问题.为此,提出了采用元度量学习方法来解决低资源环境下的语音难识别问题,该方法是先将大量类似且不相交的任务用于模型训练,让模型从中学会如何比较样本相似性;最后再在新任务中通过计算样本的相似度来识别未知样本.实验表明:元度量学习方法能够有效避免模型过拟合、提升模型泛化能力,实验在低资源语言(佤语和普米语)孤立词语音识别中均取得了显著的识别效果.

元学习框架下基于圆损失度量的行人重识别模型

提出一种元学习框架下基于圆损失度量的行人重识别模型,以元学习的方式对行人重识别问题进行建模,同时使用改进的圆损失进行度量学习,改善样本之间距离的自适应优化效果。首先,构建基于元度量学习的模型学习过程,按照逐个子任务的学习方式,在子任务中划分查询样本和支持集样本,将样本映射到向量空间。其次,在向量空间中计算查询样本与支持集样本之间的损失,使用改进的圆损失函数,为样本之间的相似性分数设置自适应的更新力度。最后,通过每个子任务来训练模型参数。实验结果表明,与基线方法相比,该方法在Market-1501数据集上的Rank-1值和mAP值分别提升0.4个百分点和1.4个百分点,在DukeMTMC-reID数据集上分别提升0.9个百分点和0.6个百分点,实现较好的识别效果。

基于空间注意力和类协方差度量的小样本学习

近年来,小样本学习逐渐被学术界广泛研究,其旨在使模型在给定样本较少的情况下完成一系列任务。目前基于度量学习的元学习算法被广泛应用于小样本学习中,本文利用度量学习的思想,对基准元度量学习算法原型网络进行改进,提出了注意力类协方差原型网络。首先,为增加模型的泛化能力,提出IBN-Resnet12作为特征提取器;接着,在特征提取模块后加入了空间注意力模块,有效地增强了局部特征;最后提出类协方差度量作为最终的度量分类器,完成了对图像特征维度间相关性的建模。本文在小样本学习经典数据集上进行实验,证明了模型的有效性;同时还进行了大量消融实验,证明了模型改进中各个部分的有效性。

基于自适应边际损失的小样本故障诊断方法

针对基于度量学习的小样本故障诊断方法,在模型优化过程中对边际影响的忽略导致模型对训练数据过于敏感,进而产生过拟合。为此,构造了一种自适应边际损失函数,帮助模型学习样本之间的相对距离,以获得足够的距离信息,提高对新样本的泛化能力。另外,根据训练数据的分布和模型的性能,自动调整边际的大小,使其自适应地区分不同的故障类别。为更好地解决小样本问题,提出了元度量学习框架,采用元学习片段式训练模式。在度量模块中,引入余弦相似性以提高方法的表达能力,并指导模型的优化和训练,使其更好地适应小样本数据。为验证所提方法的有效性,使用带故障的无人机飞行日志数据构建了数据集,并将所提方法与传统的度量学习的方法进行了对比。实验结果表明,所提方法在无人机小样本故障诊断中表现出良好的诊断性能和稳定性,为小样本故障诊断提供了一种有效方案。

基于Boosting的集成k-NN软件缺陷预测方法

软件缺陷预测是改善软件开发质量,提高测试效率的重要途径.文中提出一种基于软件度量元的集成k-NN软件缺陷预测方法.首先,该方法在不同的Bootstrap抽样数据集上迭代训练生成一个基本k-NN预测器集合.然后,这些基本预测器分别对软件模块进行独立预测,各基本预测值将被融合生成最终的预测结果.为判别新的软件模块是否为缺陷模块,设计分类阈值的自适应学习方法.集成预测结果大于该阈值的模块将被识别为缺陷模块,反之则为正常模块.NASAMDP及PROMISEAR标准软件缺陷数据集上的实验结果表明集成k-NN缺陷预测的性能较之广泛采用的对比缺陷预测方法有较明显的提高,同时也证明软件度量元在缺陷预测中的有效性.