-
题名样本自适应的不平衡分类器
被引量：6
- 1
-
-
作者
才子昕
王馨月
徐剑
景丽萍
-
机构
北京交通大学交通数据分析与挖掘北京市重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2019年第1期94-99,共6页
-
基金
国家自然科学基金(61370129
61375062
+1 种基金
61632004
61773050)资助
-
文摘
大数据时代,不平衡数据分类在实际应用场景中频繁出现。以二分类为例,传统分类器由于较难学习少数类数据集内部的本质结构,容易将少数类样本错误分类。针对这一问题,一种有效的解决方法是在传统的方法中引入代价敏感机制,为少数类样本赋予更高的误分代价以提升其预测精度。这类方法同等对待了同类样本集中的数据,然而同一类内的不同样本可能对训练过程有不同程度的贡献。为了提升代价敏感机制的有效性,样本自适应的代价敏感策略为不同的样本赋予不同的权重。首先,通过考察样本局部的类分布情况,判断其距离两类样本边界的远近;然后,根据边界分布理论,即距离决策面越近的样本对决策面位置的影响越大,为距离两类样本边界越近的样本赋予越高的权重。实验过程中,通过将样本自适应代价敏感策略应用于LDM,并在标准数据集上进行一系列对比实验,验证了样本自适应代价敏感策略在处理不平衡数据分类问题上的有效性。
-
关键词
分类
代价敏感学习
边界样本
-
Keywords
Classification
Cost-sensitive learning
Boundary sample
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名价值样本选取的不均衡分类
被引量：5
- 2
-
-
作者
徐剑
王馨月
才子昕
沈启航
景丽萍
-
机构
北京交通大学计算机与信息技术学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2020年第3期401-409,共9页
-
基金
中央高校基本科研业务费专项资金 No.2019YJS040~~
-
文摘
基于传统模型的实际分类问题,不均衡分类是一个常见的挑战问题。由于传统分类器较难学习少数类数据集内部的本质结构,导致更多地偏向于多数类,从而使少数类样本被误分为多数类样本。与此同时,样本集中的冗余数据和噪音数据也会对分类器造成困扰。为有效处理上述问题,提出一种新的不均衡分类框架SSIC,该框架充分考虑数据统计特性,自适应从大小类中选取有价值样本,并结合代价敏感学习构建不均衡数据分类器。首先,SSIC通过组合部分多数类实例和所有少数类实例来构造几个平衡的数据子集。在每个子集上,SSIC充分利用数据的特征来提取可区分的高级特征并自适应地选择重要样本,从而可以去除冗余噪声数据。其次,SSIC通过在每个样本上自动分配适当的权重来引入一种代价敏感的支持向量机(SVM),以便将少数类视为与多数类相等。
-
关键词
类的不均衡学习
分类
压缩激励网络
代价敏感度学习
-
Keywords
class imbalance learning
classification
squeeze-and-excitation networks
cost-sensitive learning
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于蓝牙信标和微信的位置服务系统研究
被引量：4
- 3
-
-
作者
侯明祥
刘振远
方维维
才子昕
刘铭
路红英
-
机构
北京交通大学计算机与信息技术学院
-
出处
《计算机技术与发展》
2017年第12期187-192,共6页
-
基金
国家自然科学基金资助项目(61202430
61303245)
+1 种基金
中央高校基本科研业务费资助项目(2016JBZ006)
宇航动力学国家重点实验室开放基金资助项目(2016ADL-DW0402)
-
文摘
随着人们对实时位置信息需求的不断增长,基于位置的服务因此得到快速发展。但由于GPS定位技术无法在室内环境下实现定位,因此现有的室外位置服务系统无法有效地应用在室内环境中。设计并实现了一种基于蓝牙信标和微信的新型位置服务系统。该系统使用蓝牙信标作为信号发射基站,将移动终端设备作为客户端,使用微信提供的摇一摇周边功能作为系统入口,通过调用微信公众平台提供的周边服务开发接口,动态监听客户端邻近基站发送的蓝牙信号,并从中解析出邻近基站的标识、信号强度等信息,并在此基础上实现客户端实时定位、周边信息推荐和动态导航等功能。经过真实环境测试,结果表明该系统在功能上达到了预期效果,易于部署和使用,并且可以在多种环境下正常提供服务,扩展了位置服务的应用范围。
-
关键词
蓝牙信标
微信
室内定位
信息推荐
导航
-
Keywords
Bluetooth beacon
WeChat
indoor location
information recommendation
navigation
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名时空关联自适应追踪目标特征学习
- 4
-
-
作者
郭明哲
才子昕
王馨月
景丽萍
于剑
-
机构
北京交通大学交通数据分析与挖掘北京市重点实验室
-
出处
《计算机科学与探索》
CSCD
北大核心
2021年第6期1049-1061,共13页
-
基金
中央高校基本科研业务费专项资金(2019JBZ110)。
-
文摘
目标追踪是近年来视觉领域的一个研究难题,其核心任务是在视频序列中持续定位目标并使用边界框标注其位置。已有的追踪方法大多采用目标检测的思路,将视频序列按帧分开对目标进行单独检测。这种策略尽管充分利用了当前帧信息,却忽略了帧与帧之间的时空关联信息,而这些信息是适应目标外观变化并完整检测目标的关键。为解决这一问题,提出了时空关联的自适应追踪目标特征学习框架时空孪生网络(STSiam),该模型利用视频序列间时空关联信息,通过目标定位和目标表征两个阶段,对目标进行准确定位和实时追踪。目标定位阶段,STSiam自适应地捕捉目标及其周围的变化特征,更新目标匹配模板,确保其尽量免受外观变化影响;目标表征阶段,STSiam关注不同帧对应区域之间的空间关联信息,利用目标定位锁定区域并学习目标边界框修正参数,确保边界框尽量贴合目标。该模型网络架构基于离线训练,在线追踪时无需更新模型参数,确保其实时追踪速度。在广泛使用的OTB2015、VOT2016、VOT2018和LaSOT数据集上进行了一系列实验验证,相较于已有方法,STSiam在准确率、鲁棒性和速度方面均取得领先性能。
-
关键词
时空关联
特征
追踪
目标定位
目标表征
-
Keywords
spatio-temporal correlation
feature
tracking
object localization
object representation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
