改进关系网络的小样本图像分类方法

为提升小样本学习方法的泛化能力,在关系网络的基础上提出一种新的小样本图像分类方法。该方法在原关系网络的结构上进行改进,通过引入inception块增强网络的特征表达能力,同时改进原关系网络中用于相关性计算的激活函数和损失函数,从而实现更好的信息流动,有利于模型的训练,并且使模型具有更好的泛化能力,有效提高小样本图像分类的准确度。在Omniglot、MiniImagenet以及TieredImageNet三个常用小样本学习数据集上进行实验,结果表明：改进的网络比原关系网络模型的分类准确率高,可以有效增强模型的泛化能力。     

基于稀疏注意力关系网络的小样本图像分类方法

针对小样本图像分类问题,从卷积操作的局部连接性和基于非局部操作的注意力机制出发,提出了稀疏注意力关系网络(SARN)模型。在非局部操作过程中,利用稀疏策略筛选参与响应计算的相关特征。通过稀疏注意力机制构建不同空间位置相关特征之间的依赖性,切断语义无关特征之间的联系。后续卷积操作对不同空间位置的语义相关特征进行度量,抑制了无关信息的干扰,提高了模型的整体度量能力。通过在Mini-ImageNet和Tiered-ImageNet数据集上进行的一系列实验发现,相较于其他小样本学习模型,SARN模型的性能获得了显著提升。     

面向小样本文本分类的互学习原型网络

小样本文本分类方法大多依赖于单一原型进行训练和推理,容易受到噪声等因素的影响,从而导致泛化能力不足.对此,提出了一种用于小样本文本分类的互学习原型网络.在保留现有算法通过文本嵌入特征直接计算原型的基础上,引入了基于转换器的双向编码表征模型,将文本嵌入特征输入模型中以生成新的原型;然后,利用互学习算法使这2个原型相互约束并进行知识交换,以过滤掉不准确的语义信息.此过程旨在提升模型的特征提取能力,并通过2个原型的共同决策来提高分类精度.在小样本文本分类数据集上的实验结果证实了所提方法的有效性.实验结果表明,在FewRel小样本关系分类数据集上,所提方法在类别为5且样本为1的分类实验中较当前最优方法的精度提高了 2.97％,较类别为5且样本为5的分类实验中精度提高了 1.99％.     

疲劳极限小样本评估方法

为了能够以少量的疲劳实验数据推定均值S-N曲线同时更好地评估材料疲劳极限,提出了使用小样本数据评估疲劳极限的方法.基于JSME建议的小样本疲劳实验方法获得14个应力-寿命数据;假设在不同的寿命下疲劳强度的分布与寿命无关且近似相同.基于线性累积损伤原理,将S-N曲线中折断点的应力数据等效换算为一组应力,根据换算后的应力值确定均值S-N曲线的最佳转折点寿命Nc后获得了均值S-N曲线和疲劳极限的分布.疲劳极限的评估结果表明,所提方法的评估结果与JSME建议的方法相比具有更高的置信度,因此该方法能更好地对小样本数据下的疲劳极限进行评估.     

基于循环编码生成对抗网络的小样本辨识方法

针对在特殊领域中小样本数据难以通过训练被分类管理的问题,提出一种基于循环编码生成对抗网络的小样本辨识方法.首先,对小样本进行混叠循环编码,建构包含小样本深层信息的隐向量;然后,搭建一种循环生成对抗网络模型,对小样本生成扩充并通过极限学习机网络进行训练辨识;最后,结合算例,与传统生成对抗网络、深度信念网络及合成少数类过采...     

基于元学习的小样本图像非对称缺陷检测方法

以准确检测小样本图像非对称缺陷为研究核心,提出基于元学习的小样本图像非对称缺陷检测方法。使用基于调制度的小样本图像自适应滤波方法,去除小样本图像的噪声,优化小样本图像质量;通过基于边界检测的滤波后小样本图像缺陷特征提取方法,提取滤波后小样本图像缺陷特征;将所提取特征作为基于改进元学习的小样本图像非对称缺陷特征检测方法的检测样本,实现小样本图像非对称缺陷检测。实验结果表明：本文方法对小样本图像滤波效果较好,检测多种非对称缺陷时,当小样本图像缺陷特征数量增多后,本文方法的检测结果交并比最小值是0.9,交并比数值理想,可准确检测小样本图像非对称缺陷。     

无线传感器网络的局部自适应拓扑控制算法

针对无线传感器网络中节点分布不均匀,局部区域内密度过高所造成网络局部范围内通信竞争激烈,从而导致过多能量损耗的情况,提出了一种基于最小生成树的局部自适应拓扑控制算法(local self-adaptive topology control algorithm based on MST,LSAMST).该算法首先利用邻近图理论中的经典MST模型,以网络中各链路的能量消耗为权值,按特定的要求选举一定数量的HEAD节点,运行本地MST算法,调整部分节点的邻居节点关系,得出相应的网络拓扑图;然后,调整部分节点的发射功率,在对网络连通性影响较小的同时,减少网络维持计算开销,降低节点之间的相互竞争干扰,减少能量消耗,延长网络寿命.实验仿真结果证明,该算法对网络的连通性影响较小,可有效降低网络中的局部竞争,且计算开销较小.     

基于局部正交特征融合的小样本图像分类

针对目前基于度量学习的小样本图像分类方法中难以充分提取重要特征问题,提出一种基于局部正交特征融合的小样本图像分类方法。首先,利用特征提取网络同时提取局部细节丰富的浅层特征和语义化强的深层特征;然后,通过一个通道注意力模块和一个多尺度特征自适应融合模块分别在浅层特征的通道维度和空间尺度上进行特征增强,以生成更显著且包含更多尺度信息的局部特征。最后,通过一个局部正交特征融合模块对得到的多尺度局部特征和初始深层语义特征进行局部正交特征提取和注意力融合,以充分利用图像的局部和全局特征信息,生成更能代表目标类别的特征表示。在miniImageNet、tieredImageNet 和 CUB-200-2011三个公开数据集上的实验结果表明：提出的方法可以获得更好的分类效果,在5way-5shot任务上的准确率分别达到81.69%、85.36%和89.78%,与baseline模型相比,分类准确率分别提升 5.23%、3.19%和5.99%。     

局部自适应的细胞图像分割方法

针对单一的全局阈值分割方法不能适用于复杂多目标图像的目标提取，该文提出了一种基于局部自适应多阈值的分割算法。该算法的基本思想是将首次分割得到的目标区域按照一定准则进行划分，分为已经正确提取的目标细胞和包含有多个细胞及部分背景的模糊区域，然后将各个模糊区域作为子图像分别进行再次分割，从中提取出目标细胞。实验结果表明，该算法能够稳定地实现目标分割提取，具有较好的鲁棒性。     

面向小样本目标检测任务的自适应特征重构算法

针对目标检测任务中样本量不足时新类别检测性能变差的问题,提出面向小样本目标检测任务的自适应特征重构算法。该算法包含两个模块:基础类别特征偏移缓解模块,用于获取预训练阶段基础类别的特征方向;场景特征自适应约束模块,用于根据场景特征与各类别原型特征的相关性确定当前场景对于某些类别的偏好,从而自适应地调整基础类别偏移方向对实例特征的影响。试验结果表明,在PASCAL VOC和MS COCO数据集上,该模型对于小样本目标检测任务的检测能力均优于对比算法,在保证对于基础类别实例检测能力的基础上,对新类别的检测精度最高可分别提升12.4%与2.1%。本研究提出的模型可以保证对于基础类别相关实例的检测能力,并提升新类别实例检测性能。     

小样本场景下的强化学习研究综述

根据小样本问题背景,将小样本场景分成两类,第一类场景追求更专业的性能,第二类场景追求更通用的性能. 一般在知识泛化过程中,不同的场景对知识载体的需求有着明显的倾向性. 针对小样本学习方法,以知识载体的角度,将其分为使用过程性知识的方法和使用陈述性知识的方法,再讨论该分类下的小样本强化学习算法. 最后,从理论和应用等方面提出了可能的发展方向,以期为后续研究提供参考.     

结构性能概率模型的小样本建模方法

目前通过试验建立结构性能概率模型的过程中,一般采用经典统计学中的矩法推断其中关键的计算模式不定性系数的概率特性,并以此为基础推断结构性能的概率特性;但样本容量不足时,矩法的推断结果会受到显著的统计不定性的影响,存在较大的因过高估计结构性能而导致额外失效风险的可能.针对目前试件数量(样本容量)普遍不足的现象,利用贝叶斯法提出建立结构性能概率模型的小样本方法,与矩法、区间估计法、一般贝叶斯法的对比分析结果说明:在统计不定性的反映程度、推断结果的等效置信水平和推断结果本身等方面,文中贝叶斯法都具有较好的表现,推断结果稳妥、适中,且便于应用,可作为小样本条件下建立结构性能概率模型的一个基本方法.     

小样本检验法

提出了适用于样本容量n≤16的“小样本检验法”。该方法不用查表,计算比较简单,在通常的实验次数(5～13)内,置信概率P≈99％。在n≤16时比简便准则的置信概率高,也比格拉布斯检验法好。     

电液位置伺服系统的一种局部自适应方法

目的设计一种自适应的控制方法，消除机器人动力参数的变化对其电液位置伺服系统动态特性的影响．方法根据电液位置伺服系统本身的结构特点。提出和设计了一种局部自适应的控制方法，使用参数估计的方法对系统动态参数进行估计，以此参数设计控制策略．结果对局部自适应的控制方法进行的分析和仿真计算结果表明，这种方法可基本消除机器人动力参数的变化对其电液位置伺服系统动态特性的影响。并取得较为理想和一致的特性．结论在变负载的电液位置伺服系统中可以采用基于预报模型局部自适应控制方式，这种局部自适应方法可以显著抑制负载质量变化的影响。使得系统取得良好的一致响应；并且能有效地减少系统超调量．     

基于混合类别标记新技术的小样本学习算法

针对计算机辅助诊断(CAD)中标记病例样本难以收集所引起的小样本学习问题,提出基于混合类别标记新技术(HCLT)的小样本学习算法.该算法分别基于几何距离、概率分布及语义概念对大量存在的未标记样本进行差异化标记,将有一致标记结果的样本加入样本集,以此扩大训练样本集.为了减少错误标记样本对学习过程造成的不利影响,提出样本伪标记隶属度并引入模糊支持向量机(FSVM)学习中,由隶属度控制样本对学习过程的贡献程度.基于UCI数据集的实验结果表明,采用该算法能够解决小样本学习问题的有效性.与单一类别标记技术相比,该算法产生的错误标记样本显著减少、学习性能显著改善.     

基于无负样本损失和自适应增强的图对比学习

针对图对比学习方法中对输入图进行随机增强和须利用负样本构造损失的问题,提出基于无负样本损失和自适应增强的图对比学习框架.该框架利用输入图中节点度的中心性进行自适应增强以生成2个视图,避免随机增强对重要的节点和边进行删除从而影响生成视图的质量,以提高框架的鲁棒性.利用相同权重编码器网络得到2个视图的嵌入矩阵,无须进行指定.利用基于互相关的损失函数指导框架学习,该损失函数不依赖于非对称神经网络架构,无须用负样本构造损失函数,从而避免在图的情况下难以定义的负样本变得更具有挑战性,以及负样本构造损失会增大计算和存储负担的问题.所提框架在3个引文数据集上进行节点分类实验,结果表明,其在分类准确性方面优于很多基线方法.     

一种自适应多任务学习方法

传统多任务学习在网络模型和任务权重方面灵活性偏低,不足以应对复杂场景。为此,提出一种自适应网络模型和任务权重的多任务学习方法。首先,运用决策方法学习多任务网络模型结构;其次,利用多任务损失函数动态调整任务权重;最后,在学习到的网络模型和任务权重下训练网络权重,达到特征共享和任务权重之间的权衡。实验结果表明,相比于固定的网络模型和任务权重,提出方法提高了语义分割和表面法线预测性能。     

局部回归Elman网络学习算法的注记

针对在系统辨识和控制领域中广为应用的Elman网络（尤其是对角回归网络）中的学习算法重要问题进行了论述。并就当前文献中存在的三种留传颇广的梯度学习算法进行了讨论，指出其中两种算法所存在的问题并对算法的实质进行了初步分析。     

指数分布产品的小样本可靠性参数评估方法

介绍了小样本可靠性参数评估的Bootstrap方法和随机加权法的基本思想,以及指数分布随机样本的Monte Carlo抽样过程;分析了指数分布随机观测样本的平均寿命估计的相对误差,研究了小样本情况下,相对误差的统计特性随样本量的变化关系及其分布情况,并对仿真结果进行了对比分析。     

基于判别性样本选择的无监督领域自适应方法

针对现实中由于训练集与测试集分布不同而导致分类准确率较低的问题,提出基于判别性样本选择的无监督领域自适应方法(简称DSS算法).为了减少源域和目标域的分布差异,将2个领域样本投影到同一子空间中,并对源域中的样本进行加权,使样本更具有判别性;不同于以往基于样本的概率密度估计方法,通过求解一个二次规划问题得到样本权重,避免...