-
题名深度学习的多尺度多人目标检测方法研究
被引量：11
- 1
-
-
作者
刘云
钱美伊
李辉
王传旭
-
机构
青岛科技大学信息科学技术学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2020年第6期172-179,共8页
-
基金
国家自然科学基金（No.61702295,No.61672305）
山东省重点研发计划（No.2017GGX10127）
-
文摘
深度学习具有自主学习目标特征、识别率高、鲁棒性强等优点,当前基于深度学习的人体目标检测方法不能有效地适应目标的尺度变化。针对上述问题,提出多尺度多人的目标检测方法,将FPN特征金字塔分别与Faster R-CNN网络的两个阶段结合,同时,平衡RPN阶段产生的正负锚点的数量比例,并采用了更适合的锚点纵横比,对原始网络进行了一系列的优化。在标准数据集PETS 2009、Caltech和INRIA上的实验结果表明,提出的检测方法性能优于主流深度学习目标检测算法。
-
关键词
深度学习
多尺度多人目标检测
Faster
R-CNN网络
FPN网络
RPN网络
锚点
-
Keywords
deep learning
multi-scale and multi-human detection
Faster R-CNN network
FPN network
RPN network
anchor
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名考虑多气象因子累积影响的光伏发电功率预测
被引量：5
- 2
-
-
作者
邱桂华
何引生
邱楠海
钱美伊
-
机构
南方电网广东佛山供电局
烟台海颐软件股份有限公司
-
出处
《广东电力》
2022年第10期20-28,共9页
-
文摘
针对当前主流的光伏发电功率预测方法中,深度学习算法训练耗时长、传统机器学习算法精度有待提升的问题,提出考虑多气象因子累积影响的光伏发电功率预测方法。首先,采用相关系数法筛选关联气象因子,并使用余弦距离的K-means++算法将训练集高效划分为K个类簇;在第1路预测中,使用关联气象因子构造二维气象矩阵,然后输入到柯西变异优化的特征金字塔网络(feature pyramid networks,FPN)模型,挖掘相关气象因子对光伏发电功率的累积影响;在第2路预测中,使用轻量梯度提升机(light gradient boosting machine,LightGBM)算法实现光伏发电功率的即时预测;借鉴集成学习的思想,将上述2组预测结果加权求和,得到最终的光伏发电功率预测结果。在关联因子筛选、聚类效果对比实验部分,取0.3为相关系数阈值,验证聚类个数取4为最优;在光伏出力预测算法对比实验部分,分别基于平均相对误差、均方根误差,计算所提算法的预测精度为88.12%、82.03%,均高于其他各项参照算法,从而证明了所提算法的可行性。
-
关键词
光伏发电功率预测
多气象因子累积影响
集成学习
K-means++
二维气象矩阵
柯西变异
特征金字塔网络
轻量梯度提升机
-
Keywords
photovoltaic generated power prediction
cumulative effects of multiple meteorological factors
ensemble learning
K-means++
two-dimensional meteorological matrix
Cauchy variation
feature pyramid networks(FPN)
light gradient boosting machine(LightGBM)
-
分类号
TM615.2
[电气工程—电力系统及自动化]
-
-
题名特征融合与训练加速的高效目标跟踪
被引量：1
- 3
-
-
作者
刘云
钱美伊
李辉
王传旭
-
机构
青岛科技大学信息科学技术学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2021年第10期101-109,共9页
-
基金
国家自然科学基金(61472196,61702295,61672305)。
-
文摘
基于孪生网络的目标跟踪,存在特征信息欠丰富,跟踪效率有待提高,大型数据集上训练时间长等问题。针对上述问题,提出特征融合与训练加速的高效目标跟踪。增加主干网络参考特征层级,减小下采样,融合多层级参考特征图,提取目标更深度、丰富的语义信息。深度互相关操作得到候选窗口响应(Response of Candidate Windows,RoWs),在其中构建区域建议网络(Region Proposal Network,RPN),通过权衡正负锚点的数量比,使孪生网络性能更加高效、稳定。大型数据集训练孪生网络时,使用均匀滑动漂移采样,代替随机漂移采样算法,在抑制中心偏置现象的同时,显著加快了孪生网络的训练速度。跟踪基准VOT2018上的评估实验结果表明,与所有参考的主流目标跟踪算法相比,所提算法具有最佳的跟踪性能。
-
关键词
目标跟踪
孪生网络
参考特征图融合
深度互相关
候选窗口响应(RoWs)
权衡锚点
漂移采样
训练加速
-
Keywords
object tracking
siamese network
reference feature map fusion
depth-wise cross correlation
Response of Candidate Windows(RoWs)
balancing anchors
shift sampling
training acceleration
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
