基于改进主动生成式过采样的个人信用风险评估研究

针对个人信用风险评估中的样本不均衡和类别重叠问题,提出一种改进的主动生成式过采样模型。首先,在辅助分类器生成对抗网络(ACGAN)框架的基础上引入Wasserstein距离改善真假判别损失函数,加入梯度惩罚以防止模式崩溃;其次,采用Focalloss代替传统交叉熵损失,以增强对困难样本的识别能力;最后,利用所提模型对不平衡数据进行过采样,以提升分类器性能。针对真实信贷数据的实验表明,该模型将分类器的分类性能指标F1、AUC及G-means分别提升11.2%、1.7%、12.8%,在增强样本多样性、减少类别重叠及提升分类器针对非平衡数据集的分类效能方面取得了显著成效。

GRU和Involution改进的深度伪造视频检测方法

近年来深度伪造视频在网络上广泛传播,造成了负面影响。针对现有检测模型准确率低和信息提取不够充分和全面的问题,提出了一种GRU(gated recurrent unit)和Involution改进的深度伪造视频检测方法。首先使用VGG19作为主干网络提取空间特征,并将Involution算子嵌入主干网络,从空间和通道信息两方面加强了人脸图像的空间建模能力。然后通过主胶囊层关注特征的位置信息和使用GRU提取帧间的时序特征。最后在训练模型阶段使用focalloss作为损失函数来平衡样本。在Deepfakes、FaceSwap和Celeb-DF数据集中进行测试,实验结果表明该方法优于主流检测方法,改进对比实验进一步证明了检测方法的有效性。

基于改进SSD算法的光伏板缺陷检测研究

在光伏产业中,光伏板缺陷的检测至关重要,针对目标检测算法SSD在光伏板缺陷检测中精度不高、速度不快、存在漏检、误检等问题,本文提出了一种改进的SSD算法,主要从三个方面改进:首先,使用融合了ECA注意力机制的Resnet50网络替换原SSD中的VGG-16网络,减少了计算量,提高了检测精度;其次,使用Involution算子替换原SSD中的Conv7卷积层,使模型更加轻量;最后,引入FocalLoss损失函数解决正负样本不平衡的问题。经实验分析,改进的SSD算法相较于原SSD算法的mAP提升了4.41个百分点,同时检测速度提升了6.55frame/s。

交通场景中改进 SSD算法的小尺度行人检测研究

由于交通场景中的行人目标所处的背景环境复杂、目标较小等因素,使得目前的行人检测算法在实际应用中存在检测精度不高、检测速度较慢的问题。因此行人检测模块作为高级辅助驾驶系统的核心模块,一直以来都是目标检测的研究热点之一。针对交通场景中小尺度行人目标,将传统的SSD网络结构中的主干网络卷积层结合Inception模块中的稀疏连接来优化卷积结构,从而增强网络的特征提取能力。同时利用残差结构组成的预测模块代替传统的两个3×3大小的卷积核来进一步提取特征图的深层特征,提高对小尺度行人目标的检测精度。引入FocalLoss函数作为网络的分类损失函数,使得损失函数更加关注于包含更多有用信息的困难负样本,解决训练过程中正负样本不平衡的问题,加快网络的收敛和稳定。实验结果表明,对于交通场景中小尺度的行人目标改进的SSD算法在检测精度和速度上都有所提高。

基于边界自适应SMOTE和Focal Loss函数改进LightGBM的信用风险预测模型

针对信用风险评估中数据集不平衡影响模型预测效果的问题,提出一种基于边界自适应合成少数类过采样方法(BA-SMOTE)和利用FocalLoss函数改进LightGBM损失函数的算法(FLLightGBM)相结合的信用风险预测模型。首先,在边界合成少数类过采样(Borderline-SMOTE)的基础上,引入自适应思想和新的插值方式,使每个处于边界的少数类样本生成不同数量的新样本,并且新样本的位置更靠近原少数类样本,以此来平衡数据集;其次,利用FocalLoss函数来改进LightGBM算法的损失函数,并以改进的算法训练新的数据集以得到最终结合BA-SMOTE方法和FLLightGBM算法建立的BA-SMOTE-FLLightGBM模型;最后,在LendingClub数据集上进行信用风险预测。实验结果表明,与其他不平衡分类算法RUSBoost、CUSBoost、KSMOTE-AdaBoost和AK-SMOTE-Catboost相比,所建立的模型在G-mean和AUC两个指标上都有明显的提升,提升了9.0%~31.3%和5.0%~14.1%。以上结果验证了所提出的模型在信用风险评估中具有更好的违约预测效果。

结合改进VGGNet和Focal Loss的人脸表情识别

针对目前表情识别准确率偏低,表情数据集中类别样本类间差异小、类内差异大以及误标注样本产生的误分类等问题,提出了一种结合改进VGGNet和Focal Loss的人脸表情识别算法。在迁移学习的基础上,通过设计新的输出模块对VGGNet模型进行改进,提升了模型的特征提取能力,能够较好地避免过拟合现象;通过设置概率阈值对Focal Loss进行改进,避免误标注样本对模型分类性能产生影响。实验结果表明,该模型在CK+、JAFFE以及FER2013数据集上的识别准确率分别达到了99.68%、97.61%和72.49%,在实际应用中泛化能力突出。

结合感受野增强和全卷积网络的场景文字检测方法

自然场景图像质量易受光照及采集设备的影响,且其背景复杂,图像中文字颜色、尺度、排列方向多变,因此,自然场景文字检测具有很大的挑战性.本文提出一种基于全卷积网络的端对端文字检测器,集中精力在网络结构和损失函数的设计,通过设计感受野模块并引入Focalloss、GIoUloss进行像素点分类和文字包围框回归,从而获得更加稳定且准确的多方向文字检测器.实验结果表明本文方法与现有先进方法相比,无论是在多方向场景文字数据集还是水平场景文字数据集均取得了具有可比性的成绩.

基于轻量级Fast-Unet网络的航拍图像电力线快速精确分割

为了满足光学航拍图像中电力线检测的实时性和高精度,提出了一种轻量级Fast-Unet网络电力线检测方法。它以Unet语义分割网络为基础,添加金字塔池化结构增强特征上下文信息的融合。设计深度可分离残差卷积运算,增加了网络深度且进一步减少了网络参数量。使用多损失函数训练Fast-Unet网络,缓解图像中前景与背景类别分布极度不平衡的问题。实验结果表明,相较于Unet算法,模型参数量大幅减少,运算速度明显提升。Fast-Unet满足了实际应用需求,且模型参数体积得到了有效压缩,更容易部署于各种嵌入式系统,对于提高直升机与无人机的低空飞行安全有一定的现实意义。

轻量网络MHNet对新冠肺炎的识别研究

为了能够快速准确地诊断出新冠肺炎患者,文章参考MobileNetV2架构并结合注意力网络,改进损失优化函数,依据CNN网络设计准则搭建新型轻量网络MHNet。在COVIDx CXR-2公开数据集上进行的实验表明,该网络在准确率、召回率、特异性、精准率、F1分数、模型大小、CPU单张图推理耗时、GPU单张图推理耗时上的指标分别为92%、99%、85%、86.84%、92.52%、3.91 MB、59.51 ms、17.66 ms。相较于其他传统网络,该网络对新冠肺炎感染者的诊断率较高、诊断效果较好。

铁路事故持续时长预测背景下的影响因素分析

为提高铁路事故持续时长预测能力及行车调度指挥水平,选取2006—2015年中国铁路事故报告数据为研究对象,根据事故持续时长特征,首先利用焦点损失(FL)和双向门控神经网络(BiGRU)的分类模型(FL-BiGRU)对事故直接致因进行分类;然后应用统计学方法最大信息系数进行相关性分析,得到与持续时长相关的前8个因素并选其作为预测指标;最后利用5种机器学习算法建立事故持续时长预测模型以验证相关性分析进行因子集筛选的合理性。结果表明:FL-BiGRU分类模型精确度达到94%;最大信息系数构建的预测指标体系能够显著提高预测模型的准确度,其中卡方检测决策树(CHAID)模型较其他模型预测性能最佳,准确度为79%;在实际工作中可用于辅助调度工作。

基于样本均衡蒸馏的少样本人脸识别方法

为解决实际应用场景中人脸识别模型复杂度高和训练样本数量不足的问题,提出一种基于样本均衡蒸馏(sample balance distillation,SBD)的轻量高效人脸识别方法。通过构造样本均衡Focalloss损失函数解决训练样本数量不足的问题,该损失函数能够在模型训练过程中增加稀少样本的权重,使模型能够对稀少样本进行准确分类,将蒸馏损失函数与样本均衡Focalloss损失函数进行加权融合,将教师网络强大的特征表达能力迁移至学生网络中,达到提高模型训练效率和分类精度的目标。为验证模型有效性,在多个样本数量分布不均衡数据集中进行大量实验,其结果表明,所提模型的训练时间和识别效率得到了显著提高,具有较高识别率。

自动色阶与双向特征融合的水下目标检测算法

水下环境存在光线差、噪声大等复杂情况,导致传统水下目标检测方法检测精度较低、漏检率较高.针对上述问题,在现阶段通用的Faster R-CNN的基础上,提出一种自动色阶与双向特征融合的水下目标检测算法.首先,采用自动色阶对水下模糊图像进行增强处理;其次,采用PAFPN进行双向特征融合,以增强对浅层信息的表达能力;然后,在训练前后均引入柔性非极大值抑制(Soft-NMS)算法,来修正并生成候选目标区域;最后,采用FocalLoss函数,解决正负样本分配不均衡的问题.实验结果表明,所提算法在URPC2020数据集上的检测准确率可达59.7%,召回率可达70.5%,相比现阶段通用的Faster R-CNN算法,分别提高了 5.5个百分点和8.4个百分点,有效提高了水下目标检测的准确率.

基于细粒度的肺炎识别方法

【目的】针对肺炎识别案例中存在的数据集数量分配不均、数量少、类别间差异小等问题,提出一种基于卷积神经网络判别模块的肺炎识别方法。【方法】首先,将网络骨干设定为预训练的121层DenseNet网络,并冻结相关参数,以迁移学习的方式来解决数据量少的问题,再将网络的中间层定义一组额外的卷积滤波器,通过学习这组滤波器,可以捕获类别之间的高信号区域,而不需要额外的边框注释,以此解决肺炎识别中的类间样本差异小的问题。最后定义网络的损失函数为FocalLoss以解决数据集数量分配不均的问题。【结果】用提出的新方法在Chest-X-Ray Image数据集上进行实验。实验结果显示:该方法的准确率达到了95%,比传统的迁移学习准确率提升了10%,比未进行迁移学习的轻量级卷积神经网络的准确率则普遍提升了20%。【结论】该方法能够针对肺部X光片做出是否患有肺炎的判断,且定位出感染区域。

基于YOLOv3改进的用户界面组件检测算法

针对传统方法识别用户界面(UI)组件时,无法进行组件分类的问题,本文提出了基于经典目标检测算法YOLOv3改进的算法用于UI组件检测任务,包括识别和分类。特征提取网络采用DenseNet紧密连接结构使提取到的特征能够充分使用;在特征提取网络中加入通道注意力机制和空间注意力机制,使用加权的特征代替原来的特征用于后面的特征融合;构造4个维度的特征金字塔网络完成组件检测任务;使用Focalloss作为分类损失函数。在收集的真实UI数据集上进行实验,实验结果表明:在检测精度上,本文方法的召回率达到了91.97%,平均精度mAP达到了48.21%,相比传统检测方法,本文方法具有更好的性能。