共查询到20条相似文献，搜索用时 46 毫秒
1.
为了改善传统实体解析算法在单机环境下采用人为方式设定属性权值及阈值难以对海量数据进行快速有效处理的缺点,基于Hadoop框架使用MapReduce计算模型,在多节点分布式环境下,通过不断调整网络学习属性之间的内在关系以及属性权值、阈值等参数后,再将模型放在Hive数据仓库中的真实数据集上进行有效性验证。分别使用5 000及9 000条数据进行实验,实验结果表明,基于学习的并行实体解析算法准确率、召回率和F1值较高。因此,基于学习的并行实体解析算法对于海量数据不仅能进行快速有效的处理,而且能有效降低人工经验中存在的误差,同时也能提高识别结果的准确度,提升识别效率。 相似文献
2.
3.
当车流量较少时,降低路灯亮度可以达到能源节约目的。为此,采用深度学习中的R-FCN目标检测网络完成夜间车辆检测任务。R-FCN网络相比传统深度学习网络,不仅是基于区域推荐模型的网络,而且引入了平移变化特性,所以对目标检测效果更好。为了占用更少硬件资源,缩小模型规模,采用ShuffleNet通道分组与组间通信机制,压缩原始残差网络。同时,对NMS（非极大值抑制）算法进行修改,从而可以更好地筛选重叠目标,降低网络漏检率。实验结果表明,该方法准确率较高,在UA-DETRAC数据集的夜间图片检测中精度最高可达到90.89%。 相似文献
4.
为了提高个人信用评分模型算法预测精准率,受视觉领域数据增广思路启发,提出融合数据增广技术与机器学习算法的个人信用评分模型。该模型首先对原始个人信用数据进行数据增广处理,然后基于机器学习分类算法训练一个二分类个人信用评分模型,最后基于公开个人信用数据集,分别建立未经过数据增广和经过数据增广处理后的个人信用评分模型。对比准确率、精确率、召回率、F1 得分、AUC 值和 ROC 曲线等 6 个性能评价指标,结果显示,相较于仅基于机器学习算法的个人信用评分模型,融合了数据增广技术与机器学习算法的个人信用评分模型使得分类性能得到了一定提升,分类准确率平均高出 5%。 相似文献
5.
针对以像素为节点建立图模型进行图像分割颇为耗时的弊端,提出了一种基于平面超像素图割的图像分割方法,并应用于图像分割。首先用改进的分水岭算法将图像分割成区域一致性小区域（超像素）,用分割得到的超像素作为图的节点构建图模型;以每个超像素的灰度值代表所在分块的全部像素点参数;最后用图割算法达到最优分割。该算法以极少数超像素代替海量像素,在得到较好分割结果的同时,极大地缩短了运行时间。 相似文献
6.
目标检测是目前计算机视觉领域非常热门的研究方向,是无人驾驶技术重要环节。为提高行车过程中目标检测精度并改善基于单发多目标检测器在训练时出现的正负样本失衡问题,基于车载视频,运用深度学习算法中具有强大性能的SSD模型,通过引入Focal Loss函数设计新的损失函数,解决样本失衡问题;同时在不降低检测速率的情况下,提高检测精度。基于自行采集的车载视频数据集进行实验,结果表明,改进后SSD模型的mAP相较于原始SSD模型提高了3%,达到74%。 相似文献
7.
提出一种基于深度学习的高光谱图像多标签分类算法。采用深度学习算法中的堆叠降噪自动编码器方法对每个像素的深层特征进行抽取,该方法可以有效表现高维特征空间中的非线性混合像素。使用多标签逻辑回归方法为每个像素预测并分配多个类标签。通过对合成数据和实际高光谱数据的大量对比实验,实验结果表明:该算法能够有效地为高光谱图像的像素精确地分配多类标签。 相似文献
8.
王锦洋 《石家庄铁路职业技术学院学报》2023,(2):53-57
传统的建筑物提取方法普遍存在过分依赖人工设计、自动化程度低、泛化能力弱等问题。随着深度学习算法在高分辨率卫星图像分类领域的应用,本文基于深度学习方法,以福建南安地区为研究区,以国产高分遥感影像为数据源,选取4?块典型区域制作建筑物数据集,搭建U-Net和Mask R-CNN深度学习模型在自建的南安数据集上训练,从定量和定性的角度对比两种模型对建筑物提取的效果,最终选定精度更高的U-Net方法作为最终的提取算法;再对数据集中正负样本的比例进行调整,进一步提高了模型分割的精度,实现了基于深度学习方法的南安地区建筑物的识别和提取。 相似文献
9.
10.
基于迁移学习的家猪图像识别研究 总被引：1，自引：0，他引：1
为实现家猪图像识别并提高识别准确率,提出一种基于迁移学习的家猪图像识别方法。首先对现有数据集进行数据增强,然后迁移 VGG16 模型并对其进行微调,从而更好地提取图像特征并缩短网络训练时间。采用自归一化神经网络解决了梯度消失和梯度爆炸问题,在网络构造时使用全局平均池化代替全连接层,以达到降低模型过拟合的效果。实验对比结果表明,该方法分类效果较好,准确率达到了 84%,召回率和 F1 值分别提升至 0.8、0.82,各项指标相比基础模型均有所提升。 相似文献
11.
目前无人机已经广泛应用于各行各业,但传统无人机识别方法存在成本高、识别率低、适应性差等问题导致无人机进入禁飞区域的事件时有发生,严重影响我国空域安全。针对无人机识别过程中存在的不足,提出基于深度学习的无人机识别算法,通过对LeNet-5模型进行改进,以无人机图像样本集作为网络模型训练和测试对象,构建无人机特征识别模型。模拟实验中,当网络模型学习率为0.1时,在经过150次迭代后,深度学习模型目标识别率为96.95%,经典LeNet-5模型识别率为91.18%。实验结果表明,基于深度学习的识别算法能够有效提高对无人机的目标识别率。 相似文献
12.
为了解决垃圾的自动分类问题,基于动态对抗适应网络,提出了一种融入空间注意力机制的垃圾图像分类算法。在训练迭代过程中,算法通过利用领域鉴别器与特征提取器的相互对抗,不断增强领域鉴别器的识别能力与特征提取器的迷惑能力,让模型学习获得更多的领域不变量;并针对模型的参数进行不断优化更新,最终达到领域适应的目的。同时,将空间注意力模块融入领域对抗自适应中,使得网络更加关注与分类任务有关的关键区域,使模型能够定位到感兴趣的信息,并对无用信息进行抑制。在垃圾数据集上的实验结果表明,所提模型可以取得较好的分类效果,且优于对比算法。 相似文献
13.
在行人目标检测中,小尺度、低像素的行人目标检测和行人遮挡等问题是模型训练的难点。针对深度学习Faster R-CNN网络对小尺度行人以及遮挡行人目标检测效果较差的情况,提出一种基于soft-NMS、GIoU和多尺度训练方法的改进型Faster R-CNN行人目标检测模型。在该改进模型中,Soft-NMS缓解行人密集检测中的因遮挡导致的漏检情况,GIoU对网络的损失计算进行改进,提升网络检测效果,多尺度训练方式能够提升小尺度与低像素的行人目标检测的准确率。仿真实验结果验证了该方法的有效性,改进的Faster R-CNN模型在Caltech行人数据集上的检测精度由64.2%提升到了70.4%,且在漏检率和误检率上都优于传统Faster R-CNN模型。 相似文献
14.
15.
为及时从海量微博信息中迅捷有效提取出微博热点话题、事件,提出基于频繁集的聚类SSDKmeans算法,在有限空间下统计分词的近似频数,并在此基础上构建文本向量空间模型,在聚类生成的每个话题簇中提炼话题关键词。通过对2万条微博数据进行有效性验证,结果表明,基于SSDKmeans算法的话题发现有较高的召回率和精准率,分别为91.3%、92.1%。SSDKmeans算法能够有效提高微博热点话题发现率,进而及时了解社会热点话题与舆论趋势。 相似文献
16.
在迅速增加的海量数据中,文本形式的数据占很大比重。文本分类作为最常见的文本挖掘技术,可在大量杂乱的文本数据中发现有价值的信息,具有重要意义。文本分类面临的首要问题是如何在确保分类准确率的同时缩短分类时间。提出使用分类模型FastText学习单词特征以解决该问题,同时在数据集上使用停用词处理方法降低噪声数据对分类模型的影响。实验结果表明,使用FastText文本分类模型在数据集上准确率达到96.11%,比传统模型提高近4%,且模型处理每条文本的平均时间为1.5ms,缩短了约1/3。 相似文献
17.
为避免接触式疲劳检测方法给驾驶员带来干扰,解决单一信号源对于反映疲劳程度可靠性低的问题,实现对疲劳状态高精度、高速度的检测,提出一种基于正则极限学习机的驾驶员疲劳状态分类方法。该方法通过多普勒雷达模块采集驾驶员生理信号,包括呼吸信号和心跳信号,作为神经网络输入数据。通过多源信息结合的方式提高疲劳状态检测可靠性。设计正则极限学习机（RELM）模型对数据集进行训练。实验结果显示,基于RELM算法模型检测驾驶员疲劳状态的准确率达92%。RELM算法可实现对训练数据的快速计算和学习,同时通过特征变换消除个体差异,实现对驾驶员疲劳状态较高的检测率。 相似文献
18.
传统协同过滤算法仅利用评分信息进行推荐,而没有利用到更多用户特征与电影特征,推荐效果不佳。深度学习的普通应用,为特征提取打下了良好基础。通过爬取网站上的电影演员信息表,使用卷积神经网络对文本信息进行特征提取,采用结合注意力机制与场感知因子分解机的混合推荐方法,并使用用户—电影特征矩阵进行训练。在公开数据集 MovieLens 上进行实验测试,RMSE 达到 0.850,与 5 组推荐模型进行对比,RMSE 分别提18.0%、11.3%、7.60%、25.7%、6.80%。实验结果表明,该模型可以提高推荐效率。 相似文献
19.
《西安文理学院学报》2021,(3)
针对年龄相关性黄斑变性图像的分类研究,提出采用DenseNet迁移学习的图像分类方法.对原始图像进行归一化、限制对比度自适应直方图均衡化等预处理方法,采用旋转、剪裁等数据增强方法扩增数据.在DenseNet网络模型基础上,采用数据集ImageNet首先对DenseNet网络模型进行预训练,然后将训练后得到的网络模型予以迁移,在做增强后的目标数据集上进行微调训练.结果表明:采用迁移学习方法的DenseNet网络模型不仅可以快速收敛,而且可以达到99.31%的分类准确率,整体性能优于对DenseNet直接训练方法. 相似文献
20.
《实验室研究与探索》2020,(7)
随着图像识别分类技术的发展,该技术被人们应用到工农业生产各个领域,以提高其工作质量和效率。在特殊领域背景复杂数据集分类任务中,为增强神经网络的分类能力,降低参数冗余,提高训练效率,提出一种基于注意力机制的DenseNet模型。该神经网络能够通过添加注意力机制获取图像重要信息,以解决数据敏感问题,提高网络整体性能。在复杂树种叶片公开数据集Leafsnap和公共数据集SVHN上分别取得了91.25%和98.27%的分类精确率。实验结果表明,基于注意力机制的DenseNet模型分类效果明显优于其他网络模型。 相似文献