元学习的不确定性特征构建及初步分析

元学习即应用机器学习的方法(元算法)寻求问题的特征(元特征)与算法相对性能测度间的映射,从而形成元知识的学习过程,如何构建和提取元特征是其重要的研究内容.针对目前相关研究所用到的元特征大部分是数据的统计特征的问题,提出不确定性建模并研究不确定性对于学习系统的影响.根据样本的不一致性、边界的复杂性、模型输出的不确定性、线...     

面向复杂结构零件的逆向测量规划技术

提出了一种复杂结构零件的逆向测量规划技术.基于功能-结构的层次映射,研究了复杂结构零件的元特征解耦机理,提取基本测量单元.构建包含精度特性、特征复杂度等元特征属性的信息模型及包含测量精度等的测量方法信息模型.建立元特征和测量方法匹配评价影响因素集,研究特征属性的关系模型.在此基础上,通过定性评价和模糊定量评价两个步骤得到匹配优度量化值,实现了测量方法的定量化最优选择.然后,对分散的元特征进行组合,优化整个测量过程.最后,采用此方法对汽车发动机气缸盖进行了快速逆向测量,并重构了计算机辅助设计模型.实验结果表明,该方法可以提高复杂结构零件的逆向设计效率与质量.     

基于注意力机制和元特征二次重加权的小样本目标检测

在基于迁移学习的小样本目标检测任务中,由于缺乏关注图像中待检测目标的注意力机制,所以现有模型对于待检测目标周边背景区域的抑制能力不强,且在迁移学习过程中通常需要对元特征进行微调来实现跨域共享,这将引起元特征偏移,从而导致模型对大样本图像检测能力的下降。针对上述问题,基于注意力机制和元特征二次重加权机制,提出改进的元特征迁移模型Up-YOLOv3。首先,在原始元特征迁移模型Base-YOLOv2中引入基于卷积块注意力模块（CBAM）的注意力机制,使特征提取网络聚焦于图像中的目标区域并关注图像目标类别的细节特征,从而提升模型对小样本图像目标的检测性能;其次,引入基于压缩?激励（SE）的元特征二次重加权模块（SE-SMFR）对大样本图像的元特征进行二次重加权,以获取二次重加权元特征,使模型在提升小样本目标检测性能的同时也能减小大样本图像元特征信息的权重偏移。实验结果表明,在PASCAL VOC2007/2012数据集上,相较于Base-YOLOv2,Up-YOLOv3针对小样本图像检测的平均准确率均值（mAP）提升了2.3~9.1个百分点;相较于原始的基于YOLOv3元特征迁移模型Base-YOLOv3,Up-YOLOv3针对大样本图像的mAP提升了1.8~2.4个百分点。可见,改进后模型对不同类别的大样本图像和小样本图像均具有良好的泛化能力和鲁棒性。