排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
在海上实弹射击训练的过程中,快速、准确地检测出弹着点处水柱信号对评估射击效果具有重要意义。针对传统的人工检靶方式效率低、误差大,且无法分辨重叠弹着点的问题,结合深度学习理论,提出了一种基于改进YOLO V3的目标检测算法。在网络输入端利用Mosaic数据增强方式,丰富了检测物体的背景和小目标,降低了网络训练门槛。将Mish函数作为网络基本组件中的激活函数,提高了网络泛化能力。构建新的检测模块,将输入的特征信息分为两个分支,通过特征压缩与拼接,实现通道间信息交互。同时,对不同尺度的特征进行融合,提高网络特征提取能力。目标数据集的实验结果表明,改进后的YOLO V3算法平均准确率提高了5.39%,达到了82.64%,检测速度由27.74 FPS提高到了29.61 FPS,可以更好地完成海上弹着点水柱信号检测任务。 相似文献
2.
针对军事航空维修领域命名实体识别训练数据少,标注成本高的问题,改进提出一种基于预训练BERT的命名实体识别方法,借鉴远程监督思想,对字符融合远程标签词边界特征得到特征融合向量,送入BERT生成动态字向量表示,连接CRF模型得到序列的全局最优结果,在自建数据集上进行实验,F1值达到0.861。为压缩模型参数,使用训练好的BERT-CRF模型生成伪标签数据,结合知识蒸馏技术指导参数量较少的学生模型BiGRU-CRF进行训练。实验结果表明,与教师模型相比,学生模型以损失2%的F1值为代价,参数量减少了95.2%,运算推理时间缩短了47%。 相似文献
1