基于结构误差的图卷积网络

针对图卷积网络选取交叉熵作为损失函数在小样本数据集上可能导致模型训练过拟合、模型泛化能力不强等问题,提出了基于结构误差的图卷积网络。将改进的基于结构误差的支持向量机(support vector machine, SVM)作为图卷积网络的分类器,能够降低模型过拟合的风险。在SVM的泛化误差理论基础上,对SVM的损失函数进行改进,所提出的方法在最大化异类样本间隔的同时限制同类样本间的间隔,提升了模型的泛化能力。首先计算特征空间中特征向量到中心点的平均距离,由它近似替换最小包含球的半径,然后由新的损失函数指导模型的学习。在基于骨骼的行为识别领域的NTU RGB+D60和NTU RGB+D120数据集上的实验证明,相比于传统的图卷积网络模型,所提出的方法能够明显提升识别准确率并且具有更好的泛化性能。     

基于类内方差和位置敏感哈希的多经验核学习

多随机经验核学习机（multiple random empirical kernel learning machine,MREKLM）选取少量样本来构造经验特征空间,但在投影时没有考虑数据的分布信息,并且样本选择时间长。为了利用样本的分布信息,引入了类内散度矩阵,提出了基于类内方差的多经验核学习（ICVMEKL）,使得样本在投影时能考虑样本类内信息,强化了分类边界,提高了分类精度。进一步,为了降低样本选择时间,利用了基于位置敏感哈希的边界点提取方法（BPLSH）来选择样本,提出了基于位置敏感哈希算法改进的ICVMEKL（ICVMEKL_I）,使构建经验核的样本不再需要从候选集中获取,降低了训练时间。多个数据集上的实验结果表明,ICVMEKL能有效提高精度,ICVMEKL_I能大幅降低训练时间,两者都表现出了良好的泛化性能。     

基于可变形卷积与注意力机制的X光安检违禁品检测

X光安检违禁品检测被广泛应用于维护公共交通安全和人身安全。针对X光图像中违禁品存在形状尺度多变、重叠遮挡严重等问题，提出一种结合可变形卷积与注意力机制改进的YOLOv5s模型用于违禁品检测。首先在主干网络中引入可变形卷积，通过学习采样偏移量来适应物体的不同形变，增强空间特征信息提取能力；其次利用混合卷积注意力模块加强模型对检测目标的感知能力，抑制无关背景干扰；然后构造通道引导的空洞空间金字塔模块，获取更加准确的全局上下文信息，提高模型对重叠遮挡目标的识别能力；最后采用CARAFE算子代替最近邻插值，在上采样过程中充分利用内容信息，提高模型检测精度。在SIXray_OD和OPIXray数据集上实验结果显示，所提出模型的mAP@05相较于原YOLOv5s分别提高了21%和18%，达到了906%和900%。与现有诸多先进算法相比，具有较好的检测精度与实时性。