基于难分样本挖掘的快速区域卷积神经网络目标检测研究

针对经典的快速区域卷积神经网络(Faster RCNN)训练过程存在太多难训练样本、召回率低等问题,该文采用一种基于在线难分样本挖掘技术(OHEM)与负难分样本挖掘(HNEM)技术相结合的方法,通过训练中实时筛选的最大损失值难分样本进行误差传递,解决了模型对难分样本检测率低问题,提高模型训练效率;为更好地提高模型的召回率和模型的泛化性,该文改进了非极大值抑制(NMS)算法,设置了置信度阈值罚函数,又引入多尺度、数据增强等训练方法。最后通过比较改进前后的结果,经敏感性实验分析表明,该算法在VOC2007数据集上取得了较好效果,平均精度均值从69.9%提升到了74.40%,在VOC2012上从70.4%提升到79.3%,验证了该算法的优越性。

迁移学习结合难分样本挖掘的机场目标检测

为了提高遥感图像中机场检测的准确性和速度,提出一种迁移学习结合难分样本挖掘的机场检测方法.首先,舍弃以往滑动窗口加手工设计特征的方式,构造了区域卷积神经网络作为基本架构;其次,基于自然图像和机场遥感图像具有共同的低级和中级视觉特征,网络模型在自然图像上进行预训练并修改完善后,在数据有限的机场上迁移学习;然后,在样本训练中借鉴难分样本挖掘思想来提高网络的目标判别能力和训练效能;最后,使用交叉优化策略实现区域建议网络和后续检测网络的卷积层共享,大大地减少了检测时间.仿真结果表明,所提方法能在复杂背景下准确地检测出不同类型的机场,得到检测率为93.6%、虚警率为11.6%、时间为0.2s的实验结果,各项性能均优于其他对比方法.

基于难分样本挖掘的对抗自编码器推荐系统

针对在推荐系统领域中常用数据集的数据分布不平衡、稀疏性大和用户评分偏好不同等问题,提出了基于难分样本挖掘的对抗自编码器推荐模型;考虑到用户偏好差异,使用均模型对数据集进行特征提取处理,在保留数据统计学特征的同时,降低了计算复杂度;之后,基于三元组损失算法对经过均模型处理的数据集进行难分样本挖掘;通过对数据集样本进行正负分类,提升了训练样本质量;再将正负样本分类后的数据分别作为对抗自编码器的输入,从重构和对抗两方面共同对评分预测模型进行训练;同时,采用Adam优化算法为不同参数单独计算更新梯度;实验结果表明,该推荐模型显著提升了推荐性能,多项指标优于基线模型;基于难分样本挖掘的推荐自编码器推荐系统具有一定实用价值。

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。

一种有效深度哈希图像拷贝检测算法

目前拷贝检测中的图像哈希方法由于手工设计特征和线性映射带来的限制,检测精度不高。为了解决这一难题,提出一种端到端的深度哈希拷贝检测算法——DHCD。构建多尺度孪生卷积神经网络,以空间金字塔分层池化的方式来获得图像对的显著性特征;在新设计的哈希损失函数作用下,既保持了特征在语义结构上的相关性,又使得特征输出接近于目标哈希码;通过挖掘难分样本,[JP2]对难分样本再训练,提升了模型的识别效果。在拷贝数据集上的实验结果表明,该算法与当前主流的图像哈希算法相比,准确率提升了10%左右,且效率没有降低。