期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种结合Focal Loss的不平衡数据集提升树分类算法
被引量：
4
1
作者
朱翌民
郭茹燕
+2 位作者
巨家骥
张帅
张维
《软件导刊》
2021年第11期65-69,共5页
针对不平衡数据集分类问题中存在的难易样本不平衡问题,提出在提升树算法的基础上结合Focal Loss的不平衡数据集分类算法。分别在HTRU3、Yeast3、Test的不平衡数据集上对该算法与Borderline-SMOTE结合梯度提升树算法进行比较。实验结果...
针对不平衡数据集分类问题中存在的难易样本不平衡问题,提出在提升树算法的基础上结合Focal Loss的不平衡数据集分类算法。分别在HTRU3、Yeast3、Test的不平衡数据集上对该算法与Borderline-SMOTE结合梯度提升树算法进行比较。实验结果表明,在HTRU2数据集上,该算法F1-score最高为0.970,而Borderline-SMOTE结合梯度提升树算法为0.972,虽然分类性能没有得到明显提升,但该算法仅需13次迭代便可收敛,而传统梯度提升树算法则需20次以上迭代才能收敛。在提升树模型中引入Focal Loss损失函数可有效提升模型收敛速度,且在一定程度上保持了模型分类性能。
展开更多
关键词
不平衡数据集
难
分
样本
易
分
样本
Focal
Loss
梯度提升算法
下载PDF
职称材料
基于优化损失函数的YOLOv2目标检测器
被引量：
4
2
作者
杨海龙
田莹
王澧冰
《辽宁科技大学学报》
CAS
2020年第1期52-57,71,共7页
针对基于深度学习的单阶段目标检测器在训练过程中的样本不均衡问题,设计了一种新型的基于Softmax分类的动态调制交叉熵损失函数。此损失函数能够高效地降低训练过程中的易分负样本的损失权重,相应地提高困难样本的损失权重,从而可以使...
针对基于深度学习的单阶段目标检测器在训练过程中的样本不均衡问题,设计了一种新型的基于Softmax分类的动态调制交叉熵损失函数。此损失函数能够高效地降低训练过程中的易分负样本的损失权重,相应地提高困难样本的损失权重,从而可以使模型的整个训练过程变得高效。将基于Softmax分类的动态调制交叉熵损失函数代替标准的交叉熵损失函数用于YOLOv2训练中关于类别预测的损失计算,能够一定程度上提升YOLOv2的检测准确率。
展开更多
关键词
检测器
动态调制交叉熵
易
分
负
样本
困难
样本
下载PDF
职称材料
题名
一种结合Focal Loss的不平衡数据集提升树分类算法
被引量：
4
1
作者
朱翌民
郭茹燕
巨家骥
张帅
张维
机构
上海工程技术大学电子电气工程学院
出处
《软件导刊》
2021年第11期65-69,共5页
基金
国家自然科学基金青年基金项目(61603242,61802251)
上海市松江区科学技术攻关项目(19SJKJGG83)
江西省经济犯罪侦查与防控技术协同创新中心开放基金项目(JXJZXTCX-030)。
文摘
针对不平衡数据集分类问题中存在的难易样本不平衡问题,提出在提升树算法的基础上结合Focal Loss的不平衡数据集分类算法。分别在HTRU3、Yeast3、Test的不平衡数据集上对该算法与Borderline-SMOTE结合梯度提升树算法进行比较。实验结果表明,在HTRU2数据集上,该算法F1-score最高为0.970,而Borderline-SMOTE结合梯度提升树算法为0.972,虽然分类性能没有得到明显提升,但该算法仅需13次迭代便可收敛,而传统梯度提升树算法则需20次以上迭代才能收敛。在提升树模型中引入Focal Loss损失函数可有效提升模型收敛速度,且在一定程度上保持了模型分类性能。
关键词
不平衡数据集
难
分
样本
易
分
样本
Focal
Loss
梯度提升算法
Keywords
imbalanced dataset
hard sample
easy sample
Focal Loss
gradient boosting
分类号
TP312 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
基于优化损失函数的YOLOv2目标检测器
被引量：
4
2
作者
杨海龙
田莹
王澧冰
机构
辽宁科技大学计算机与软件工程学院
出处
《辽宁科技大学学报》
CAS
2020年第1期52-57,71,共7页
基金
辽宁省教育厅项目(2019LNJC03).
文摘
针对基于深度学习的单阶段目标检测器在训练过程中的样本不均衡问题,设计了一种新型的基于Softmax分类的动态调制交叉熵损失函数。此损失函数能够高效地降低训练过程中的易分负样本的损失权重,相应地提高困难样本的损失权重,从而可以使模型的整个训练过程变得高效。将基于Softmax分类的动态调制交叉熵损失函数代替标准的交叉熵损失函数用于YOLOv2训练中关于类别预测的损失计算,能够一定程度上提升YOLOv2的检测准确率。
关键词
检测器
动态调制交叉熵
易
分
负
样本
困难
样本
Keywords
detector
dynamic modulation cross entropy
easily classified negative sample
difficult sample
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种结合Focal Loss的不平衡数据集提升树分类算法
朱翌民
郭茹燕
巨家骥
张帅
张维
《软件导刊》
2021
4
下载PDF
职称材料
2
基于优化损失函数的YOLOv2目标检测器
杨海龙
田莹
王澧冰
《辽宁科技大学学报》
CAS
2020
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
