基于改进YOLOv5的遥感图像检测

针对现有遥感图像目标检测中背景复杂和尺度变化大等问题,基于 YOLOv5 模型提出了一种 改进的遥感图像目标检测算法。 首先,利用 Mosaic 数据增强方法重构数据集,以改善模型的训练效 果和鲁棒性;其次,在 YOLOv5s 的 Backbone 中添加 SE 注意力机制,使改进后模型能够更精准地捕 捉目标特征信息;最后,采用 BiFPN 替代原模型中的 FPN+PAN 结构,使模型能够进行不同尺度的特 征融合,以减少检测过程中浅层信息的丢失。 实验结果表明,相较于原模型,改进后模型的平均精度 均值、准确率和召回率都有所提升;相较于原模型,改进后模型具有更强的特征提取能力及更快的检 测效率。     

融入对抗训练的中文电子病历命名实体识别

为提高中文电子病历中命名实体识别模型鲁棒性和准确性,为此提出一种基于BERT模型融入对抗网络的中文电子命名实体识别模型,该方法使用BERT预训练模型动态生成字向量,通过对抗训练生成扰动,将字向量与扰动相加生成对抗样本,再通过膨胀卷积网络（IDCNN）捕捉句子单词间的依赖,最后通过条件随机场（CRF）得到最终预测结果。在CCKS2019数据集上的实验表明,模型的F1值达到83.19%,证明该模型的有效性。     

基于改进的深度兴趣网络推荐系统研究

针对推荐系统中用户兴趣度标签消失问题,在排序层提出一种改进的深度兴趣网络模型。首先,将深度兴趣网络模型应用于视频推荐领域,并在改进的模型中加入平衡因子,有效地解决了在训练过程中用户兴趣度标签消失问题。其次针对推荐系统整体召回率问题,在召回层提出一种混合推荐模型。使用Item2vec模型和贝叶斯个性化排序模型组合成一种混合推荐模型。实验结果显示：改进后的深度兴趣网络和混合模型应用在视频推荐系统中很好地提高了推荐效果。