排序方式: 共有23条查询结果,搜索用时 15 毫秒
21.
22.
数据增广是提升深度学习模型性能的有效方法之一。针对多类别目标检测任务中检测性能不平衡问题,提出一种针对“短板类别”(检测性能远低于模型平均检测性能的类别)的离线数据增广方法。受Cannikin’s Law的启发,采用基于复制粘贴(copy-paste)机制的场景多样性增广方法。随机采集训练集中“短板类别”实例区域,通过相似性度量机制选取训练集中增广目标样本进行随机粘贴。为了降低随机粘贴导致的遮挡问题,采用基于自遮挡(cut-replace)机制的增广方法提升模型遮挡表达能力。通过截取样本自身区域,对特征表达最显著区域进行遮挡。实验表明,FCOS目标检测框架在PASCAL VOC数据上的平均检测精度(mean average precision,mAP)从79.10%提升到83.90%,其中短板类别更为显著,提升了20.8个百分点。在MS-COCO数据上平均检测精度提升了0.9个百分点。 相似文献
23.
在Th(NO3)4-UO2(NO3)2-HNO3-H2O/30%TBP-正十二烷分配比模型的基础上,使用串级萃取理论编写了Thorex流程钍铀分离工艺单元(1B)的计算机模拟程序,该程序可对钍、铀、硝酸的萃取行为进行模拟计算。通过文献数据对该程序的可靠性进行了验证,结果表明,该程序的计算值与文献值符合良好。在此基础上利用该模拟程序对钍铀分离单元的工艺参数进行了计算分析,结果表明:工艺运行状况受工艺参数的综合影响,其中反萃液(1BX)硝酸浓度是影响因素之一,铀产品(1BU)中钍含量随酸度的增大而增大,而钍产品(1BT)中铀含量则随酸度的增大而降低,酸度过大或过小均不能实现二者的良好分离;1BX流比对分离效果的影响与酸度相反,随着1BX流比的增大,1BU中钍含量显著降低,而1BT中铀含量增大;补萃剂(1BS)流比对分离效果的影响与1BX流比的影响趋势相反,因此在工艺寻优中可利用本程序选择分离效果最好的条件组合。此外,还可利用本程序进行其他工艺要求的钍铀分离工艺参数寻优计算等。 相似文献