基于难样本挖掘与混合注意力机制的目标跟踪算法

在SiamFC目标跟踪算法的基础上,提出一种基于难样本挖掘和混合注意力机制的目标跟踪算法。首先,为了改善训练样本的数据分布情况,将图像自身边缘信息填充训练样本尺寸不足的区域来增强背景干扰信息;其次,在模板分支加入残差连接来对目标从不同层级进行特征表达;然后,在搜索分支采用混合注意力模块充分地提取特征信息;最后,使用深度可分离卷积降低模型复杂度。实验结果表明本文算法在遮挡、光照、旋转等复杂场景下具有良好的表现。

基于难样本挖掘和深度学习的乳腺癌检测方法

为解决当前乳腺癌影像检测任务中数据样本量少、医学专业性强等问题,提出一种基于难样本挖掘和深度学习的乳腺癌检测方法。以乳腺癌医学图像数据库中含有正负样本的X光影像训练模型,通过改进Mask R-CNN特征金字塔结构对目标区域的高低层特征充分学习,利用难样本挖掘方法对正样本及难负样本进一步筛选,降低患病区域误检率,避免深度学习模型依赖样本量所造成的过拟合问题。实验结果表明,该方法在公开数据集上的检测精度达到85.92%-86.75%,精度提高了3%左右,提高了原检测方法的准确性和鲁棒性。

聚焦难样本的区分尺度的文字检测方法

针对卷积神经网络中间特征层信息利用不充分,以及不区分尺度和难易样本的学习所导致的文字检测精度难以提高的问题,提出基于多路精细化特征融合的聚焦难样本的区分尺度的自然场景文字检测方法.构建多路精细化的卷积神经网络融合层提取高分辨率特征图;按照文字标注矩形框的较长边的尺寸,将文字实例划分为3种尺度范围,并分布到不同的候选框提取网络中提取相应的候选框;设计聚焦损失函数对难样本进行重点学习以提高模型的表达能力并得到目标文字框.实验表明,所提出的多路精细化特征提取方法在COCO-Text数据集上的文字召回率较高,聚焦难样本的区分尺度的文字检测方法在ICDAR2013、ICDAR2015标准数据集上的检测精度分别为0.89、0.83,与CTPN、RRPN等方法相比,在多尺度多方向的自然场景图像中具有更强的鲁棒性.

基于难样本挖掘的孪生网络目标跟踪

为了解决全卷积孪生网络目标跟踪算法(SiamFC)在复杂环境下容易出现跟踪漂移甚至跟踪失败的问题,提出了一种基于难样本挖掘的孪生网络目标跟踪方法。该方法在SiamFC算法的基础上,首先利用特征融合模块进行特征融合,以提高特征表征的鲁棒性,然后引入一个新的损失函数,加强网络对难样本的学习能力并缓解正负样本不平衡的问题。为验证该方法的有效性,在OTB2015和GOT10k数据集上对算法进行测试实验。实验结果表明,在OTB2015数据集上该方法比SiamFC算法在成功率上提高2.6%,精度上提高2%;在GOT10k数据集上该方法的mAO为0.429,相比SiamFC算法提高了3.7%,在光照变化、目标形变、相似背景干扰情况下具有更好的表现。

基于难样本混淆增强特征鲁棒性的行人重识别

随着深度学习的兴起,行人重识别逐渐成为计算机领域的热门话题。它通过给定的查询行人图像进行跨摄像机检索,找出与查询身份相匹配的行人。然而,由于受到不同视角下的背景、光照等因素影响,采集到的行人图像中存在大量的难样本,利用这些难样本训练得到的模型识别性能低下,缺乏鲁棒性。因此,为了提高模型对难样本的鉴别能力,设计了一种新颖的通过混淆因子合成具有难样本信息图像的方法。对于每批输入图片,通过相似性度量寻找每张图像对应的难样本,结合混淆因子合成具有难样本信息的新图像再以有监督的方式促使模型挖掘难样本信息,从而提高模型鲁棒性。大量对比实验表明,所提方法在主流数据集上达到了较高的识别率,消融实验证明了所提方法的有效性。

推荐系统中混合难负样本的生成模型

负样本对协同过滤推荐任务影响巨大,高质量的负样本能帮助模型精准描述用户画像。针对现存的假负样本及计算量大的问题,基于难负样本的思想提出一种混合动态负采样模型。首先,通过动态负采样方法和服务推荐模型确定每个用户的负样本范围与序列;其次为每个用户快速采样到大量的难负样本候选项;再次,使用混合思想将采样到的负样本集合装配成一个难负样本,扩大感知域和融入的信息量;最后,引入一种注意力机制指导负样本的融合,以此提升系统稳定性。在Alibaba、Yelp2018和Amazon公开数据集上与基线模型进行的比较实验表明,所提模型在多个评价指标下均优于现有基线模型,证明了模型的有效性。

难分类样本快速空中目标意图识别方法

针对不平衡难分类条件下空中目标群组意图快速识别的难题,提出一种基于滑动窗口估计的时空卷积自注意力网络模型的意图识别方法。该方法根据特征数据的特点对其使用滑动窗口的预先处理,通过时空卷积网络快速提取多维时序特征数据的流信息;然后采用自注意力机制捕捉每个特征数据的关键特征并优化权重。仿真结果表明该方法有效提升了不平衡样本中难分类样本意图识别的训练效率和分类的准确率。

基于难负样本挖掘的改进Faster RCNN训练方法

目标检测方法甚高速卷积神经网络(Faster Region-based Convolutional Neural Network,Faster RCNN)在训练过程中存在负样本远多于正样本的问题,即数据集不平衡问题。针对该问题,提出了一个综合定位误差和分类误差的判别函数用于判别难正样本,基于该函数和难负样本挖掘提出了改进的自助采样法,并提出了基于该自助采样的"五步训练法"用于训练Faster RCNN。与传统的Faster RCNN训练方法相比,五步法加强了对难样本的学习,提高了网络泛化能力,减少了误判;训练出的模型在Pascal VOC 2007数据集上测试的平均正确率均值(mean Average Precision,mAP)提高了2.4%,在FDDB(Face Detection Data Set and Benchmark)相同检出率下误检率降低了3.2%,且边框拟合度更高。

基于线性分配的难负样本挖掘度量学习

科学家依靠鲸鱼尾巴的形状及其独特的标记来识别鲸鱼的种类,但靠人眼识别和手工标注的过程非常繁琐。而且鲸鱼尾巴照片数据集存在数据分布不均衡的特点,其中个别种类样本数量极少,甚至仅有一份;同时样本个体差异较小,并且包含未知类别,导致以图像分类的方式完成鲸鱼身份的自动标注存在困难。为解决度量学习在该任务下难以分类的问题,在孪生神经网络(SNN)的基础上,利用线性分配问题(LAP)算法进行难负样本挖掘训练过程从而动态地构筑训练批次。首先对训练样本提取图像特征向量,并计算特征向量的相似性度量;然后通过LAP为模型分配样本对,根据度量分数矩阵动态地构筑训练样本批次,针对性地训练困难样本对。在一个数据分布不平衡的鲸鱼尾巴图像数据集和CUB-200-2001数据集上得到的实验结果表明,所提算法在少数类学习和细粒度图像分类上能取得良好的效果。

基于改进YOLOv5的黑色素瘤图像自动诊断

为解决现有黑色素瘤智能诊断模型中存在的对毛发遮挡目标识别精度不足、样本不均以及轻量化程度不够的问题,提出一种改进的YOLOv5模型。首先,基于改进的C3结构和自注意力机制设计CS_Neck结构,从而有效区分黑色素瘤和毛发的相关特征;其次,提出一种二次筛选难样本挖掘方法,利用焦点损失函数降低简单样本权重,引入损失秩排序(loss rank mining,LRM)思想降低简单样本数量;最后,设计轻量级骨干网络,提出使用改进的RepVGG结构替换普通卷积提取特征,提高推理速度,并引入宽度乘子降低参数量和权重,实现模型轻量化。基于ISIC2019数据集的实验结果表明,所提算法的权重和参数量仅为7.9 MB和4.0×10^(6),精度达到92.9%。所提算法有效提升了精度且实现了轻量化,可以满足高效诊断黑色素瘤的要求。

基于难易样本平衡因子的遥感图像目标检测

遥感图像目标检测一直是遥感图像领域中的热点和难点问题,旨在分类和定位感兴趣目标。近年来卷积神经网络理论技术的快速发展,有效地解决了传统目标检测方法特征提取不足的问题。在公开的遥感数据集RSOD-Dataset上,基于YOLOv3算法模型进行目标检测,为了适应遥感图像中目标小、背景复杂等难分类样本的特点,在检测模型中引入难易样本平衡因子来改变不同类别的损失权重,从而进一步提高遥感图像检测精度。为了证明这里改进方法的有效性,进行了一组对比消融实验。实验结果表明,改进的算法比YOLOv3算法的平均检测精度提高了6%,尤其是对于背景复杂的立交桥类别,平均检测精度有了明显的提高。因此通过改进YOLOv3进一步平衡了简单样本和难例样本的损失权重,有效地提高了遥感图像目标检测精度。

基于改进Deformable DETR的无人机视频流车辆目标检测算法

针对无人机视频流检测中小目标数量多、因图像传输质量较低而导致的上下文语义信息不充分、传统算法融合特征推理速度慢、数据集类别样本不均衡导致的训练效果差等问题,提出一种基于改进Deformable DETR的无人机视频流车辆目标检测算法。在模型结构方面,该算法设计了跨尺度特征融合模块以增大感受野,提升小目标检测能力,并采用针对object_query的挤压-激励模块提升关键目标的响应值,减少重要目标的漏检与错检率;在数据处理方面,使用了在线困难样本挖掘技术,改善数据集中类别样本分布不均的问题。在UAVDT数据集上进行了实验,实验结果表明,改进后的算法相较于基线算法在平均检测精度上提升了1.5%,在小目标检测精度上提升了0.8%,并在保持参数量较少增长的情况下,维持了原有的检测速度。

结合数据增强的跨模态行人重识别轻量网络

现有的跨模态行人重识别方法中,轻量化网络的相关研究较少。考虑到硬件部署对轻量化网络的需求,提出新的跨模态行人重识别轻量网络。以Osnet为基础,进行特征提取器和特征嵌入器的拆分。同时使用数据增强操作,利用有限的数据集,最大程度提高了网络的鲁棒性。改进难样本三元组损失函数,在减少计算量的同时缩小模态间差异,提升网络识别准确率。提出的轻量化网络结构简单且效果显著,在SYSU-MM01数据集的全搜索模式下rank-1/mAP分别达到65.56%、61.36%,参数量仅为1.92×10^(6)。

基于深度度量学习的足迹图像检索算法

针对赤足迹光学图像相似度高,传统算法无法快速提取样本有效信息的问题,提出了一种基于深度度量学习的赤足迹图像检索算法,该算法使用多尺度特征融合结构构建主干网络并辅以批去除结构监督学习,同时在嵌入空间内构建动态难样本三元组,解决传统难样本三元组挖掘方式不合理的问题。构建了一个包含250人、2 500枚的赤足迹光学图像数据集,该算法在所构建的数据集上平均检索精度达到88.86%,高于传统难样本三元组算法,可有效地应用于赤足迹光学图像检索。该算法对于足迹领域的自动化识别具有积极意义。

基于SSD的不平衡样本车辆检测与识别

为了实现在复杂环境,车辆样本不平衡情况下的实时车辆检测与识别,基于SSD算法搭建了车辆检测与识别的框架。针对车辆数据存在车型难易样本不均衡以及SSD方法存在的正负样本不平衡问题,在SSD引入改进的损失函数来挖掘难易样本,通过提高难样本的学习比例来更好地识别样本较少的车辆类型。引入SSD级联的网络结构,在第一级SSD挖掘正负样本,在第二级SSD根据第一级SSD的指导过滤掉大量的负样本。构建了拥有7480幅图像,包含4种车辆类型的数据集对该方法进行验证。实验结果表明,基于改进SSD的方法提高了少样本车辆类型的准确率,使整体检测精度取得了90.0%的准确率。针对不均衡样本的车辆数据集有较好的通用性,适用于车辆检测与识别任务。

基于动态卷积与注意力的多特征融合行人重识别

为能够准确利用图像中有效特征,提取判别性较高的信息区分特征相近的行人,提出一种基于动态卷积和注意力机制的多分支网络。将动态卷积核作用于ResNet50网络中,使动态卷积中的注意力机制与网络中的通道和空间注意力共同作用,通过不同分支得到相应局部特征,融合得到高判别性特征进行分类匹配。在CUHK03、DuckMTMC-reID、Market-1501数据集上进行验证实验,其结果表明了所提模型的优越性。

基于深度学习的城市固体废物材质识别方法

实现生活垃圾自动化、精细化分拣,可以有效减少环境污染、提高资源回收再利用效益。随着深度学习神经网络的快速发展,其在垃圾识别领域应用越加广泛。利用实例分割网络可以提取物体轮廓与类别信息,完成对生活垃圾的定位与细分。针对生活垃圾不同工况下,神经网络识别效果严重下降问题,文章提出基于实例分割网络模型的难例样本,对模型进行更新的策略,以语义分割网络辅助提取难例样本。在多种实例分割网络BlendMask、MEInst、CondInst、Mask R-CNN、Cascade RCNN上进行更新策略试验。结果表明,更新后的模型在新工况测试集上回收率提升1.47%~4.06%,除了MEInst不适用纯度提升场景外,其余网络得到0.6%~2.41%的提升。在不同工况只补充少量样本的情况下,神经网络更新策略可以较好提高模型对生活垃圾的识别准确率,增强模型泛化能力。

基于混合采样的图对比学习推荐算法

在推荐系统领域中,图卷积网络具有对于图结构数据更强的信息抽取能力。然而,现有的图卷积网络推荐算法主要关注改进模型结构,忽视了提高原始样本采样质量与挖掘用户—项目间隐式关系的重要性。针对上述问题,提出一种基于混合采样的图对比学习推荐算法。首先使用混合采样方法,提取出正样本中部分信息并将其注入负样本,从而生成全新的富含信息的难负样本;其次,通过轻量图卷积网络对难负样本进行特征提取,得到用户和项目的节点表征,采用邻域对比学习方法挖掘样本隐式关系;最后,利用多任务策略对推荐监督任务和对比学习任务进行联合优化。在真实数据集Yelp2018和Amazon-book上进行实验,采用recall和NDCG指标进行评估,实验结果表明,提出的模型相较其他基准模型取得了更好的效果。

基于改进损失函数的实体类别平衡优化算法

针对自然语言处理(Natural Language Processing,NLP)任务中,命名实体识别(Named Entity Recognition,NER)存在实体类别样本不平衡的问题,提出一种基于改进损失函数的实体类别平衡优化算法。新算法是对神经网络模型中的损失函数进行优化处理,通过分析命名实体识别数据特点,在平衡正负样本的基础上引入平滑系数和权重系数,保证模型在梯度传递的过程更关注于实体类别较少和带有嵌套的难识别样本,同时减少对样本数较多的、易识别样本的关注。利用公共数据集ACE05、MSRA进行实验对比,结果表明改进的损失函数在数据集ACE05和MSRA上,F 1值分别提高1.53%和0.91%。上述结果表明改进的损失函数能够较好地缓解实体中正负难易样本的不平衡。

利用改进CNN的无人机遥感影像特征描述符的学习方法

由于人工设计的特征描述符往往通过增加描述符构造的复杂度提高鲁棒性，导致描述符的实时性降低。为了提高描述符鲁棒性与实时性的兼容能力，本文对基于卷积神经网络（CNN）的特征描述符学习方法进行改进。通过交换三重样本间基准样本挖掘“难样本对”，解决了现有基于CNN特征描述符学习方法中“难样本对”挖掘计算成本较高的问题。同时，结合无人机影像的特点，采用多分辨率训练样本代替原有单一分辨率训练样本，使基于CNN的特征描述符学习方法更好地适用于无人机影像匹配。试验表明，本文改进的基于CNN的特征描述符学习方法获得的描述符可以较好地兼顾鲁棒性和实时性，且对无人机影像匹配有较好的应用效果。