基于自适应损失函数的句子级远程监督关系抽取

远程监督关系抽取是一种关系抽取方法,现有方法主要采用多实例学习,在具有相同实体对的样例包上进行关系抽取。但是,包级方法只能缓解却并不能完全解决错误标签问题。基于此,文中首先分析了干净数据和噪声数据的分布,提出了一种新的自适应损失函数;在此基础上,提出了一种基于自适应损失函数的句子级远程监督关系抽取方法。在公开数据集NYT-10以及基于TACRED的合成数据集上的实验结果表明:文中提出的方法优于对比文献中的方法,能够更有效地区分错误标签噪声样例和干净样例,提高了句子级远程监督关系抽取的准确率。

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。

面向类别不平衡语义分割的损失函数的研究

在图像语义分割的任务中,数据集的类别不平衡分布是一种普遍存在的现象;通过构造更加有效的损失函数来减轻其带来的不利影响是具有较大研究价值的。以损失函数为研究对象,利用训练样本像素的空间分布特性和相关性,改进了Focal损失函数的尺度度量方法,提出了一个基于迭代批次的权重自适应调整的Adapt-Focal损失函数。以类别不平衡的SAR图像数据集GDUT-Nansha为实验对象,采用三个经典的卷积神经网络DeepLabV3+、U-Net和RWL-ENet完成了定量实验。实验结果表明,所提出的Adapt-Focal损失函数相比于CE、FL、dfl、acw、lovász和softiou损失函数,有效提高了少样本地物类别裸地和道路的分割精度IoU和PA值;同时,整体分割精度指标mPA和mIoU均得到较大幅度的提高。验证了Adapt-Focal损失函数在类别不平衡图像语义分割中的有效性。

细粒度情感和情绪分析中损失函数的设计与优化

在细粒度情感分析和情绪分析数据集中,标签之间的相关性和标签分布的不均匀性非常突出。类别标签分布不均匀,标签之间存在相关性容易影响学习模型的性能。针对这一问题,该文受计算机视觉领域中的Circle loss方法的启发,将梯度衰减、成对优化、添加余量引入损失函数来优化深度学习模型的性能。该方法可以很好地与预训练模型相结合,不需要修改骨干网络。与当前最新的经典方法相比,该方法在SemEval18数据集上Jaccard系数、micro-F1、macro-F1分别提升了1.9%、2%、1.9%;在GoeEmotions数据集上Jaccard系数、micro-F1、macro-F1分别提升了2.6%、1.9%、3.6%。实验表明,该文提出的损失函数对情感分析和情绪分析问题具有显著的提升作用。

人脸识别任务中角边距损失函数的对比研究

深度卷积神经网络(DCNNs)和嵌入(Embedding)学习人脸特征是人脸识别任务的常用方法。在DCNNs网络中广泛使用Softmax损失函数,将欧几里得边距强加到DCNNs学习到的特征矩阵中,获得较好人脸识别正确率,但是仍具有较大的提高空间。近年来提出的角边距损失函数进一步提升了人脸识别任务的正确率,但是人脸识别任务中角边距损失函数的对比研究较少,且缺乏在不同类别人脸数据集上对比角边距损失函数对人脸识别正确率的影响。本文使用MS1MV2数据集训练ResNet50模型,以Softmax损失函数为基准,对比研究ArcFace、CosFace、Combined Margin(CM)3种角边距损失函数在3个不同类别人脸数据集LFW、CFP-FP和AGEDB-30上的识别准确率,并调整角边距损失函数的参数值,讨论其对人脸识别任务性能的影响。实验结果表明,角边距损失函数较Softmax损失函数可以显著提升模型人脸识别正确率。在不同数据集和不同任务条件下,选择合适的角边距损失函数和参数设置可以提高人脸识别性能。

基于损失函数权重自适应的路径规划优化算法研究

针对自主换道时车速对于安全性与舒适性的影响,提出了一种基于权重自适应的路径规划优化算法,即采用基于实时车速和递归最小二乘算法的损失函数权重自适应方法生成与选择最优轨迹。为了验证该方法的效果,采用基于PhysX动力学引擎的Unity3D仿真环境,构建基于3D场景的仿真环境,在仿真系统中保证控制模块与规划算法参数一致,用于多种场景下评价权重自适应算法相对于原始算法的效果。实验结果表明,自动驾驶汽车通过损失函数权重的自适应更新方法,可以实现满足安全性、平滑性和舒适性指标要求的轨迹规划,且自适应算法生成的轨迹相较于原始算法更加平滑舒适。该研究有助于提升自主换道的安全性、平滑性和舒适性,为高速场景下自动驾驶的落地提供了研究基础。

基于中心损失函数的小样本SAR图像识别方法

提出了一种基于中心损失函数的监督学习方法,用于改善小样本下的合成孔径雷达(synthetic aperture radar,SAR)图像识别性能。该方法通过学习每个类别的类别中心,并惩罚样本的深度特征与其相应类别中心之间的距离,从而提高类间分离度和类内分散度。为了验证方法的有效性,将所提方法与常见的深度学习算法在MSTAR图像识别数据集上进行比较。实验结果表示,相较于其他深度学习模型,该方法在小样本情况下有着更为卓越的图像识别性能。

不同损失函数下Lindley分布参数的Bayes估计

在熵损失函数和Q对称熵损失函数下,对参数的先验分布选取无信息先验分布和伽玛分布,研究了Lindley分布参数的Bayes估计问题,且通过随机模拟比较不同条件下参数的Bayes估计效果.结果表明:同一种损失函数下,参数的先验分布为伽玛分布时估计效果更佳;样本容量较少时,在熵损失函数下,且先验分布为伽玛分布时,Bayes估计的均方误差较小;样本容量较多时,在Q对称熵损失函数及先验分布取伽玛分布的条件下,估计效果更理想.最后,由实例表明估计效果与数值模拟相符.

Mlinex损失函数下反向帕累托分布形状参数的Bayes估计

文章研究了Mlinex损失函数下反向帕累托分布的参数估计问题。在已知反向帕累托分布位置参数的情况下,给出形状参数的五种估计方法:极大似然估计、最大后验估计、经典Bayes估计、多层Bayes估计、E-Bayes估计,并推导出相应估计方法下的具体表达式。利用MC方法在R软件下进行数值模拟,对比模拟数据确定了参数估计的最优环境,并验证了估计方法的合理性和估计结果的准确性与稳健性,得到了E-Bayes估计为最优估计方法的结论;最后利用最优估计方法对实例进行数据拟合,确定了新疆县市级城市的人均城市道路面积可以利用反向帕累托分布近似拟合,并结合最终数据给出了相应的数据分析。

基于联合损失函数的语音质量特征增强分析

为确保代价函数能够根据人耳感知特点开展分析过程,设计了一种联合损失函数的语音增强深度学习算法;针对损失函数计算过程加入关于人耳听觉的数据。研究结果表明:本文设计的混合损失函数实现了增强语音质量的明显优化。以常规损失函数MES进行处理时,增强语音发生了明显失真;以联合损失函数进行处理时,可以明显降低增强语音失真程度,获得更优的语音质量。

基于损失函数的城市洪涝灾害弹性演化规律研究

为了提升城市防洪水平与洪涝灾害恢复能力以及推进以人为核心的新型城镇化战略的目标任务,以潍坊市城区为研究区域,借助基于元胞自动机的CAflood模型获取淹没水深数据,并通过数据挖掘与相似性分析方法直接移植引用城市损失率建立研究区淹没水深-损失率函数,构建基于损失函数的城市洪灾弹性模型方法并计算了潍坊城区在遭遇5、50、100及200 a重现期降雨时的内涝弹性指数分布。同时,分析研究区在2012、2017和2022年3种不同土地利用情况下,潍坊市城区洪涝灾害弹性的时空变化趋势,揭示潍坊城区城市演化与区域洪涝灾害弹性响应关系。结果表明:潍坊市城区洪涝灾害弹性随重现期增加总体呈下降的趋势,且下降剧烈区域主要集中在人造地表面积占比较大的中心城区、街道和东部开发区,以及河流周边平坦低洼区域。从空间分布上看,这种下降趋势呈现出以主城区为中心向外扩张的趋势。此外,随着城市化程度的增加,研究区各分区的平均弹性指数均有不同程度的降低,其中C7山丘区一直处于弹性较高水平,C4高新开发区在多种模拟情景下均处于较低水平,并且在遭遇相同重现期降雨后,城市化程度越高,各分区的平均弹性指数降幅越大。研究结果为潍坊市应对未来增长的洪涝风险,实施城市洪灾弹性提升策略提供了科学支撑。

基于YOLOv5s模型的边界框回归损失函数研究

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。

融合成对损失函数与分级图卷积网络的协同排名模型

协同排名方法是一类直接优化推荐项目序列的推荐方法,但在显式评分场景中,现有的协同排名算法对用户和项目间的交互信息利用不足,使用的交互函数对用户和项目间的非线性交互关系建模不充分。针对此问题,提出一种融合成对损失函数与分级图卷积网络的协同排名模型。首先根据评分数据构造用户和项目的分级异质交互二部图以及项目间的成对比较集合;之后利用分级图卷积网络挖掘用户和项目间的异质交互关系,并设计相应的自连接操作;接着利用神经网络融合辅助信息以构造两者的嵌入表示,结合神经网络与内积构造用户项目间的交互函数以建模非线性关系;最后基于成对比较数据优化模型,提升模型预测排名质量。在多个公开数据集上与同类方法的对比实验结果表明,所提算法预测排名质量较优。

基于改进损失函数的行人目标检测模型研究

针对现有行人目标检测技术在多尺度目标识别方面的局限,特别是对小目标检测效果欠佳的问题,提出基于改进损失函数的行人目标检测模型,该模型将损失函数进行改进替换,能更好地挖掘正负样本信息。在MS-COCO数据集上进行实验,AP、AP_(s)、AP_(m)、l AP分别达到43.5%、26.1%、46.7%和54.0%,相较于原始模型各提升1.4%、2.0%、1.2%以及1.2%。随后将CenterNet-G模型应用于行人检测数据集CrowdHuman,AP和75 AP分别达到82.3%与62.6%。实验结果表明,改进后的模型对多尺度目标尤其是小目标有着良好的检测效果,在行人检测领域取得出色效果,为解决行人检测中的尺度多样性问题提供了新策略。

复合Mlinex损失函数下艾拉姆咖分布参数的Bayes估计

在本文中,我们采用了一种复合的Mlinex损失函数作为研究的基础准则,艾拉姆咖是一种衡量统计模型优良性的指标,通常用于模型选择。当我们在模型中引入逆伽玛分布作为先验分布时,我们利用Mlinex损失函数来评估艾拉姆咖指标的表现,并且讨论了该分布下三种不同的参数估计方法:Bayes估计、E-Bayes估计和多层Bayes估计。为了验证这些估计方法的性能,本文采用了数值模拟的方法。通过构建模拟数据集,并应用上述估计方法,可以观察它们在不同情况下的表现。模拟结果显示,这三种估计方法都表现出了良好的稳健性。

损失函数下逐步二型删失数据广义Pareto分布参数的Bayes估计

基于逐步二型删失数据,在几种不同的损失函数下,选择广义Pareto分布,讨论其形状参数的Bayes估计。当尺度参数给定时,为θ参数引入Gamma分布作为先验分布,得到了几种不同损失函数下参数θ的Bayes估计的数学表达式,通过数值模拟方法,比较了几种损失函数下所得到的Bayes估计的效果。结果表明:在Linex损失函数下,广义Pareto分布参数的Bayes估计效果最优。

改进UNet+ +与联合损失函数的建筑物提取方法

针对现有遥感影像建筑物提取方法中存在的特征提取不充分等问题,提出了一种改进UNet++与联合损失函数的建筑物提取方法。通过引入ResNeSt50编码器以增强对建筑物复杂结构的特征提取能力,采用融合Sigmoid激活函数和二进制交叉熵损失的联合损失函数,以平衡模型的准确性和训练的收敛速度,进而提高模型的整体性能。在制作的赣州建筑物数据集上进行了验证,Precision、Recall和F1-Score值分别为0.945、0.926、0.935,对比FPN、PAN、PSPNet等主流网络精度较高,在WHU全球卫星建筑物数据集上进一步验证了模型的泛化能力,Precision、Recall和F1-Score值分别达到了0.894、0.870、0.882。

自适应鲁棒损失函数:在噪声环境下实现可靠的SLAM

本文提出了一种新型的自适应鲁棒损失函数,显著提高了同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在高噪声和异常值环境下的精度和稳定性。具体贡献如下:通过引入形状参数和尺度参数,实现了损失函数对不同数据分布的自适应,增强了对噪声和异常值的抵抗力;在多个公开数据集上进行的实验和仿真结果显示,本文方法与传统的平方损失函数和其他鲁棒损失函数(如Huber损失、Geman-McClure损失)相比,在精度和鲁棒性上均提高了15%~20%。这些结果突显了新方法在复杂环境下的应用潜力和优势。

基于密集特征推理及混合损失函数的修复算法

为有效解决现有算法修复大面积不规则缺失图像时存在特征利用率低、图像结构连贯性差的问题,提出基于密集特征推理(DFR)及混合损失函数的图像修复算法。修复网络由多个特征推理(FR)模块密集连接组成,首先将待修复图像输入第1个推理模块中进行特征推理,之后将输出特征图通道合并送入下一个推理模块,后续推理的每一个模块的输入都是来自前面所有推理模块的推理特征,如此循环,以充分利用每个推理模块捕获的特征信息;然后提出一个传播一致性注意力机制(PCA),提高修补区域与已知区域的整体一致性;最后,提出混合损失函数(ML)优化修复结果的结构连贯性。整个DFR网络使用组归一化(GN),小批量训练也可达到优异的修复效果。在国际公认的Paris StreetView巴黎街景数据集和CelebA人脸数据集上验证文中所提算法的性能,主客观的实验结果表明:所提算法能有效修复大面积不规则缺失图像,提升特征利用率与结构连贯性,其平均峰值信噪比(PSNR)、平均结构相似度(SSIM)、均方误差(MSE)、弗雷歇距离(FID)及学习感知图像块相似度(LPIPS)指标优于对比算法。

基于polyphyletic损失函数的荔枝花检测方法

针对密集分布的荔枝花遮挡严重导致检测困难,现有研究方法忽略了非极大抑制过程中密集建议框之间的相互作用的问题,为提升检测精度、降低漏检率,提出了一种基于polyphyletic损失函数的检测方法。该方法在损失函数中包含一个聚合损失项,以迫使建议框接近并紧凑定位相应目标,同时增加专门为密集作物场景设计的边界框排斥损失,使预测框远离周围对象,提高密集荔枝花检测鲁棒性。与Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN进行对比,实验表明,该方法在标准苹果花数据集上识别精度比其他方法高2个百分点,验证了该方法检测的通用性,同时,该方法在自建荔枝花数据集的平均精度均值达到87.94%,F1值为87.07%,缺失率为13.29%,相比Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN分别提高20.09、14.10、8.35、4.86个百分点,具有较高检测性能。因此,本文提出的方法能够高效地对密集荔枝花进行检测,为复杂场景下的密集作物检测提供参考。