排序方式: 共有187条查询结果,搜索用时 15 毫秒
1.
Shapley值归因解释方法虽然能更准确量化解释结果, 但过高的计算复杂度严重影响了该方法的实用性. 本文引入KD树重新整理待解释模型的预测数据, 通过在KD树上插入虚节点, 使之满足TreeSHAP算法的使用条件, 在此基础上提出了KDSHAP方法. 该方法解除了TreeSHAP算法仅能解释树结构模型的限制, 将该算法计算Shapley值的高效性放宽到对所有的黑盒模型的解释中, 同时保证了计算准确度. 通过实验对比分析, KDSHAP方法的可靠性, 以及在解释高维输入模型时的适用性. 相似文献
2.
3.
针对卷积神经网络(CNN)中间层特征维度高,含噪声较多的问题,提出一种CNN特征降维的方法,首先利用主成分分析(PCA)对CNN特征进行降维,在数据层面和人类感知层面证明了其有效性;然后将降维后的CNN特征作为区域特征向量,利用多水平超像素分割和随机森林回归构建了一个融合手工特征及降维CNN特征的显著性检测模型;最后选取了10个显著性检测传统模型进行对比,构建的融合模型性能优于仅使用传统手工特征的方法,降维后的CNN特征能够改进显著性模型的性能. 相似文献
4.
5.
目的 卷积神经网络(convolutional neural network,CNN)在遥感场景图像分类中广泛应用,但缺乏训练数据依然是不容忽视的问题。小样本遥感场景分类是指模型只需利用少量样本训练即可完成遥感场景图像分类任务。虽然现有基于元学习的小样本遥感场景图像分类方法可以摆脱大数据训练的依赖,但模型的泛化能力依然较弱。为了解决这一问题,本文提出一种基于自监督学习的小样本遥感场景图像分类方法来增加模型的泛化能力。方法 本文方法分为两个阶段。首先,使用元学习训练老师网络直到收敛;然后,双学生网络和老师网络对同一个输入进行预测。老师网络的预测结果会通过蒸馏损失指导双学生网络的训练。另外,在图像特征进入分类器之前,自监督对比学习通过度量同类样本的类中心距离,使模型学习到更明确的类间边界。两种自监督机制能够使模型学习到更丰富的类间关系,从而提高模型的泛化能力。结果 本文在NWPU-RESISC45(North Western Polytechnical University-remote sensing image scene classification)、AID (aerial image dataset)和UCMerced LandUse (UC merced land use dataset)3个数据集上进行实验。在5-way 1-shot条件下,本文方法的精度在3个数据集上分别达到了72.72%±0.15%、68.62%±0.76%和68.21%±0.65%,比Relation Net*模型分别提高了4.43%、1.93%和0.68%。随着可用标签的增加,本文方法的提升作用依然能够保持,在5-way 5-shot条件下,本文方法的精度比Relation Net*分别提高3.89%、2.99%和1.25%。结论 本文方法可以使模型学习到更丰富的类内类间关系,有效提升小样本遥感场景图像分类模型的泛化能力。 相似文献
6.
针对新形势下装备维修保障的优化问题,提出一种装备维修仿真系统的体系结构。分析部队维修保障过
程中关键要素之间的关系,阐述装备维修仿真系统的用户需求;以维修时间优化为例建立静态维修的任务分配优化
模型,设计动态维修条件下维修保障的过程模型,并采用层次分析法(analytic hierarchy process,AHP)和逼近理想解
排序法(technique for order preference by similarity to an ideal solution,TOPSIS)对不同维修分队的维修效能进行比较。
基于离散事件仿真库Simpy 实现了仿真系统的数据分析仿真功能,结合某型装备的维修保障数据进行了仿真验证,
仿真结果表明,该系统能为装备维修的流程设计、资源配置与优化等方面提供参考依据。 相似文献
7.
社区识别技术是公共安全领域潜在危害行为预警预测和已发生危害行为追踪溯源的基础,针对传统社区识别算法将社区视作单一集合而无法描述社区主次成员的问题,提出一种基于动态距离的模糊社区识别算法。该算法将传统的单一社区结构划分为核心区域和边际区域,以边际区域来描述社区的模糊区间。该算法首先将网络设想为动态演变模型,网络中的任意节点均会与其他节点产生互动,互动将改变各节点间距离,距离也反过来影响互动。在阈值的界定下,受到多个社区吸引的节点被划分到边际区域,最终距离分布趋于稳定,各个社区结构得以显现。通过对比实验验证了CDFDD算法在社区识别上的有效性。 相似文献
8.
基于深度学习的人体姿态估计方法旨在通过构建合适的神经网络,直接从二维的图像特征中回归出人体姿态信息。主要按照2D人体姿态估计到3D人体姿态估计的顺序,并从单人检测与多人检测、稀疏的关节点检测与密集的模型构建等方面,对近年来基于深度学习的人体姿态估计方法进行系统介绍,从而初步了解如何通过深度学习的方法得到人体姿态的各个要素,包括肢体部件的相对朝向和比例尺度、骨骼关节点的位置坐标和连接关系,甚至更为复杂的人体蒙皮模型信息。最后,对当前研究面临的挑战以及未来的热点动向进行概述,清晰地呈现出该领域的发展脉络。 相似文献
9.
10.