一种基于Vague-Sigmoid核的支持向量机研究

Sigmoid核最初起源于神经网络,目前在支持向量机中也得到了广泛应用,但由于核矩阵的非半正定性,其应用受到一些限制.研究表明Sigmoid核可以用简单的模糊三角隶属函数来近似替代,使得其学习效率能进一步提高.本文首先分析模糊支持向量机的特性,将模糊理论用于支持向量机的核中,并在此基础上提出了基于Vague-Sigmoid核函数的支持向量分类器.该方法充分结合了Vague集的自身优势,用基于Vague集的相似度量来代替了常规中的样本间的点积计算方法.将文中提出的方法应用于标准数据集中,并与传统的Sigmoid核方法、Fuzzy -Sigmoid核方法进行了实验分析, 实验表明文中提出的方法在不损失精度的情况下,能较好的提高算法的执行效率,取得了较好的实验结果;同时也表明在支持向量机中能利用Vague-S igmoid核取代替传统的Sigmoid核,从而减少对Sigmoid核的限制.     

影响皮托管测风精度的几个因素

影响皮托管测量风速的因素很多,本文主要从气体压缩性、全压孔尺寸、静压孔位置及压力损失等方面对风速测量的影响进行探讨.结果表明,除对风速引入压缩性、压损修正系数外,全压孔内外径之比应选在0.5且内径越小越好,静压孔选在距离全压孔7倍内径位置处,此时测量误差最小.     

一种结构简单的低压低功耗ALU单元设计

1位的ALU单元在某些集成电路的设计中非常重要,本文提出了一种结构简单的高速,低功耗,低工作电压的ALU单元.在此设计中采用了XOR/XNOR结构,并加入了适当的缓冲电路,有效的提高了运算速度,并可以减少在级连中的阀值损失,同时还保持了较低的MOS管数量.通过HSPICE (CSMC 0.35um工艺)仿真,得了很好的特性.     

基于改进Yolov5模型的实时人脸检测算法

针对疫情背景下,在一些人流密集场所进行体温筛查或身份识别,当待检测对象快速通过时,人脸检测实时性不高的问题,提出了一种改进Yolov5模型的实时人脸检测算法。该算法首先对骨干网络层进行轻量化改进并引入注意力机制减少冗余信息;其次修改了检测层网络结构,增加了对小目标人脸及倾斜人脸检测的适应性;随之使用Focal EIOU损失函数代替Yolov5原始损失函数中的GIOU损失函数来计算定位损失,有效解决了预测框在目标框内部或预测框与目标框大小一致时无法精确定位的问题。实验结果表明：提出的实时人脸检测算法检测精度达到97.2%,检测速度达到66.7 f/s,相较于原始Yolov5算法,检测精度提升了19.7%,检测速度提升了24 f/s,满足实时人脸检测要求,同时对于黑暗环境及不同表情姿态人脸检测也有较好的适应性。     

基于身份感知模型的素描人脸识别方法

针对素描图像和光学图像之间存在较大的模态差异这一问题,提出了一种基于身份感知模型的素描人脸识别方法,实现跨模态图像生成和素描人脸识别。该方法应用新的感知损失来监督图像生成网络,生成更好的跨模态图像,减少模态差异带来的识别精度损失,并通过三元组损失来正则化类内和类间距离,增强识别模型的性能,用联合训练策略提升素描人脸识别能力。在UoM-SGFSv2、e-PRIP等素描人脸数据集上的实验结果表明,该方法识别效果优于其他对比算法。     

结合感知损失与双重对抗网络的低剂量CT图像去噪

低剂量计算机断层扫描（LDCT）成像技术在医学诊断中得到广泛应用,但其斑纹噪声和非平稳条纹伪影复杂,目前多数算法仅依靠推断条件后验概率来实现图像去噪,无法应对LDCT图像噪声复杂、数据量少、先验知识缺乏的问题。提出一种结合感知损失的双重对抗网络去噪算法,以实现LDCT图像复原。该算法包含一个去噪器和一个生成器,分别从图像去噪和噪声生成2个角度来建模干净-噪声图像对的联合分布,通过联合学习使得去噪器和生成器相互指导,从而充分学习数据中的噪声信息和清晰图像信息,且学习到的去噪器可以直接用于LDCT图像修复。考虑到通过感知损失学习语义特征差异可以使去噪结果保留更多的细节和边缘信息,提出一种掩膜自监督方法,针对CT图像域训练一个语义特征提取网络用于计算感知损失。实验结果表明,与BM3D、RED-CNN、WGAN-VGG等主流去噪算法相比,该算法可以有效抑制噪声并去除伪影,最大程度地保留边缘轮廓和纹理细节,产生更符合人眼视觉特性的去噪效果,与当下LDCT图像去噪性能较好的SACNN算法相比,所提算法的PSNR和SSIM指标分别提升1.26 dB和1.8%。     

基于重建误差的任务型对话未知意图检测

现有未知意图检测模型通常将语句映射到向量空间,并使用局部异常因子算法定义密度较小的特征点为未知意图,但经交叉熵损失训练的已知意图特征簇更加狭长,簇内的整体间距、密度和分散情况不均匀,进而增加了检测难度。针对上述问题,提出一种基于自动编码器重建误差的未知意图检测模型。在训练阶段,使用融入标签知识的联合损失函数训练已知意图分类器,使已知意图特征类间距离大且类内距离小,并利用这些特征训练一个仅能获取已知意图信息的自动编码器。在测试阶段,利用自动编码器将重建误差较大的样本视为未知意图,其余样本视为已知意图正常分类。在SNIPS数据集上的实验结果表明,在已知意图占比为25%、50%、75%时,该模型的Macro F1得分相比于表现最优的增强语义的高斯混合损失基线模型分别提升了16.93%、1.14%和2.37%,能够检测到更多的未知意图样本,同时在类别分布极不平衡的ATIS数据集上也有较好的性能表现。     

基于改进YOLOv7的小目标检测

目前的目标检测技术已趋于成熟,但小目标检测仍是研究的难点。针对目标检测过程中小目标检测更容易出现漏检等问题,提出一种改进的YOLOv7目标检测模型。结合特征分离合并思想,对YOLOv7网络模型中的MPConv模块进行改进,以减少网络特征处理过程造成的特征损失,并通过实验确定放置改进MPConv模块的最佳位置。由于小目标检测过程中容易出现漏检的现象,利用ACmix注意力模块提高网络对小尺度目标的敏感度,降低噪声所带来的影响。在此基础上,使用SIoU替换原YOLOv7网络模型中的CIoU来优化损失函数,减少损失函数自由度,提高网络鲁棒性。在Okahublot公开的FloW-Img子数据集上进行实验,结果表明,对于数据集中的密集、小目标和超小目标三种情况的图片,改进后的YOLOv7网络模型相比原网络,漏检情况得到明显改善,且mAP达到71.1%,相比基线YOLOv7网络模型提升了4个百分点,检测效果优于原网络模型与传统经典目标检测网络模型。     

结合Transformer与非对称学习策略的图像检索

目的 图像检索是计算机视觉领域的一项基础任务,大多采用卷积神经网络和对称式学习策略,导致所需训练数据量大、模型训练时间长、监督信息利用不充分。针对上述问题,本文提出一种Transformer与非对称学习策略相结合的图像检索方法。方法 对于查询图像,使用Transformer生成图像的哈希表示,利用哈希损失学习哈希函数,使图像的哈希表示更加真实。对于待检索图像,采用非对称式学习策略,直接得到图像的哈希表示,并将哈希损失与分类损失相结合,充分利用监督信息,提高训练速度。在哈希空间通过计算汉明距离实现相似图像的快速检索。结果 在CIFAR-10和NUS-WIDE两个数据集上,将本文方法与主流的5种对称式方法和性能最优的两种非对称式方法进行比较,本文方法的mAP(mean average precision)比当前最优方法分别提升了5.06%和4.17%。结论 本文方法利用Transformer提取图像特征,并将哈希损失与分类损失相结合,在不增加训练数据量的前提下,减少了模型训练时间。所提方法性能优于当前同类方法,能够有效完成图像检索任务。     

基于相机感知距离矩阵的无监督行人重识别

在跨场景、跨设备的行人重识别中虽然增加了可利用的行人数据,但由于行人姿态不同、部分遮挡现象,难以避免引入样本噪声,在聚类过程中易生成错误的伪标签,造成标签噪声,影响模型的优化。为减弱噪声影响,应用相机感知的距离矩阵对抗相机偏移引起的样本噪声问题,利用对噪声鲁棒的动态对称对比损失减少标签噪声,提出基于相机感知距离矩阵的无监督行人重识别算法。在聚类前通过更改度量行人特征相似度的距离矩阵,利用相机感知距离矩阵来增强类内距离度量准确性,减少由于拍摄视角不同对聚类效果造成的负面影响。同时,结合噪声标签学习方法,进行损失设计,提出动态对称对比损失函数,联合损失训练,不断精炼伪标签。在DukeMTMC-reID和Market-1501两个数据集上进行实验,验证了提出方法的有效性。