在鱼类识别检测技术中,采用anchor-free算法中的Centernet算法对鱼类进行识别检测时,低层特征信息容易丢失,导致识别精度和识别效率降低。为此,提出了一种基于Feature fusion Module and Loss function optimization of Centernet(FMLCe...在鱼类识别检测技术中,采用anchor-free算法中的Centernet算法对鱼类进行识别检测时,低层特征信息容易丢失,导致识别精度和识别效率降低。为此,提出了一种基于Feature fusion Module and Loss function optimization of Centernet(FMLCenternet)算法的鱼类识别检测算法。在Centernet算法网络结构中引入特征融合模块将低层特征信息和高层特征信息融合,输出更加完整的特征图,提高识别检测精度;设置参数调节正负样本的损失比例,使得网络模型的损失函数得到优化,提高整个模型的识别检测效率。在PASCALVOC数据集中对所提算法进行有效性的验证,并对网络结构的性能进行分析。收集大量的目标数据集以及标注数据集信息,训练优化的网络结构并与不同的模型进行对比分析。实验结果表明,FMLCenternet算法对鱼类进行识别检测时,识别平均精度(AP50)可以达到85%以上,平均检测时间低于100 ms。所提算法不仅识别检测精度较高,而且识别检测效率也得到了提升。展开更多
Learning to Rank(L2R)技术是对搜索结果进行排序,是近几年的研究热点。现关于L2R中的PairWise方法进行研究分析,PairWise方法将排序问题转化为二元分类问题,其缺点是只考虑两篇文档的相对顺序,而不考虑文档出现在搜索结果列表中的位置...Learning to Rank(L2R)技术是对搜索结果进行排序,是近几年的研究热点。现关于L2R中的PairWise方法进行研究分析,PairWise方法将排序问题转化为二元分类问题,其缺点是只考虑两篇文档的相对顺序,而不考虑文档出现在搜索结果列表中的位置。另外,不同的查询拥有的文档对数目不同,结果会向拥有文档对较多的查询偏移。对常用的PairWise算法的损失函数及其求解方法、基本思想、算法框架、效用评价以及算法应用进行概括分析。展开更多
文摘基于深度学习的目标检测算法直接应用于航天光学遥感(Space Optical Remote Sensing,SORS)复杂场景图像中会出现舰船目标检测效果不佳的问题。针对该问题,本文以近海复杂背景的密集排布舰船和远海多干扰中小目标舰船为检测对象,提出一种改进的YOLOX-s(Improved You Only Look Once-s,IM-YOLO-s)算法。在特征提取阶段,引入CA位置注意力模块,分别从高度与宽度两个方向对目标信息的位置进行权重分配,提高了模型的检测精度;在特征融合阶段,将BiFPN加权特征融合算法应用到IM-YOLO-s的颈部结构,进一步提升了小目标船只检测精度;在模型优化训练阶段,以CIoU损失替代IoU损失、以变焦损失替代置信度损失、调整类别损失权重,增大了正样本分布密集区域的训练权重,减少了密集分布船只的漏检率。另外,在HRSC2016数据集的基础上增加额外的离岸中小舰船图像,自建了HRSC2016-Gg数据集,HRSC2016-Gg数据集增强了海上船只及中小像素船只检测时的鲁棒性。通过数据集HRSC2016-Gg评测算法性能,实验结果表明:IM-YOLO-s对于SORS场景舰船检测的召回率为97.18%,AP@0.5为96.77%,F1值为0.95,较原YOLOX-s算法分别提高了2.23%,2.40%和0.01。这充分表明该算法可以对SORS复杂背景图像进行高质量舰船检测。
文摘在鱼类识别检测技术中,采用anchor-free算法中的Centernet算法对鱼类进行识别检测时,低层特征信息容易丢失,导致识别精度和识别效率降低。为此,提出了一种基于Feature fusion Module and Loss function optimization of Centernet(FMLCenternet)算法的鱼类识别检测算法。在Centernet算法网络结构中引入特征融合模块将低层特征信息和高层特征信息融合,输出更加完整的特征图,提高识别检测精度;设置参数调节正负样本的损失比例,使得网络模型的损失函数得到优化,提高整个模型的识别检测效率。在PASCALVOC数据集中对所提算法进行有效性的验证,并对网络结构的性能进行分析。收集大量的目标数据集以及标注数据集信息,训练优化的网络结构并与不同的模型进行对比分析。实验结果表明,FMLCenternet算法对鱼类进行识别检测时,识别平均精度(AP50)可以达到85%以上,平均检测时间低于100 ms。所提算法不仅识别检测精度较高,而且识别检测效率也得到了提升。
文摘Learning to Rank(L2R)技术是对搜索结果进行排序,是近几年的研究热点。现关于L2R中的PairWise方法进行研究分析,PairWise方法将排序问题转化为二元分类问题,其缺点是只考虑两篇文档的相对顺序,而不考虑文档出现在搜索结果列表中的位置。另外,不同的查询拥有的文档对数目不同,结果会向拥有文档对较多的查询偏移。对常用的PairWise算法的损失函数及其求解方法、基本思想、算法框架、效用评价以及算法应用进行概括分析。
