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
4
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
基于堆叠集成算法的质量分类案例分析
1
作者
常凤
刘静
+1 位作者
胡忠旭
艾鹏
《电子技术（上海）》
2024年第2期220-221,共2页
阐述针对葡萄酒品质分类常用的单一算法,提出堆叠集成算法,通过参数优化SVM、GBDT、RF、KNN学习器,将结果作为元学习器的RF输入特征。实验证明,堆叠集成算法评价指标显著提高。
关键词
堆叠集成算法
元学习器
基学习器
原文传递
多卷积神经网络模型融合的农作物病害图像识别
被引量：
4
2
作者
龚安
井晓萌
《计算机技术与发展》
2020年第8期134-139,共6页
农作物病害是粮食安全的主要威胁,病害的诊断对于农业生产来说至关重要。针对单一卷积神经网络在农作物病害识别上的局限性,分类准确率不高的问题,采用多个卷积神经网络模型融合的方式,对10种农作物的27种病害及其3种病害程度的农作物...
农作物病害是粮食安全的主要威胁,病害的诊断对于农业生产来说至关重要。针对单一卷积神经网络在农作物病害识别上的局限性,分类准确率不高的问题,采用多个卷积神经网络模型融合的方式,对10种农作物的27种病害及其3种病害程度的农作物叶子图片进行病害及病害程度的细粒度识别。首先选用Resnet101、RestNext50、SE-ResNet50、SE-RestNext50这4种网络模型运用迁移学习的方式,固定底层模型参数,修改顶层的全连接层进行训练,然后采用Stacking方法将模型预测结果输入第二层元学习器XGBoost,最后对单模型预测结果和Stacking融合后的结果进行对比。实验结果表明,经过模型融合后的准确率能达到87.19%,具有较高的识别准确率及较强的鲁棒性,可以作为农作物病害的早期诊断方式,并可以进一步研究将该方法应用到真实的农业生产中。
展开更多
关键词
农作物病害识别
模型融合
卷积神经网络
元学习器
迁移学习
下载PDF
职称材料
基于孪生特征引导多尺度网络的复杂场景下坦克检测方法
3
作者
李萍
宋利敏
张善文
《电光与控制》
CSCD
北大核心
2023年第9期85-91,共7页
针对现有的基于CNN的方法存在特征信息丢失、杂波信息干扰严重、忽略了不同尺度特征之间的相关性、需要大量训练样本等问题,提出了一种基于孪生特征引导多尺度网络(SFGMSN)的坦克检测方法。在SFGMSN方法中,设计一种改进的Inception模块...
针对现有的基于CNN的方法存在特征信息丢失、杂波信息干扰严重、忽略了不同尺度特征之间的相关性、需要大量训练样本等问题,提出了一种基于孪生特征引导多尺度网络(SFGMSN)的坦克检测方法。在SFGMSN方法中,设计一种改进的Inception模块,提取坦克目标图像的多尺度特征,并进行特征融合,更好地恢复了坦克目标的精细分段信息;为了提高目标区域的特征感知能力和抑制背景干扰,设计了一种局部通道注意机制(LCA-M),得到更加精准的检测结果;最后,利用元学习器检测坦克目标。SFGMSN方法充分利用多尺度卷积、空洞卷积、孪生网络、局部通道注意机制和元学习器的优势,能够解决传统CNN模型过度依赖大量训练样本以及在小样本条件下可能出现的准确率低和泛化性差的问题。在坦克图像数据库中进行实验,结果表明,所提方法具有较好的检测效果,平均检测精度为90.12%,可实现复杂场景下坦克检测,对低分辨率坦克图像具有很好的鲁棒性。
展开更多
关键词
坦克检测
孪生网络
多尺度CNN
元学习器
孪生特征引导多尺度网络(SFGMSN)
下载PDF
职称材料
裁剪和元分类器在分布式数据挖掘中的应用
被引量：
1
4
作者
王士根
谢康林
《计算机应用与软件》
CSCD
北大核心
2008年第8期138-140,共3页
数据经常分布在不同的地方,需要的机器资源也随着数据量的增长按比例增长,但数据的增长往往快于机器资源和机器学习上的改进。描述了元学习的基本过程和几种组合元分类器的度量尺度。元学习能够改进可观测性和精度,但同时过度强大的元...
数据经常分布在不同的地方,需要的机器资源也随着数据量的增长按比例增长,但数据的增长往往快于机器资源和机器学习上的改进。描述了元学习的基本过程和几种组合元分类器的度量尺度。元学习能够改进可观测性和精度,但同时过度强大的元学习技术也会导致冗余,低效甚至不精确的元分类器层次。分析这些方法的局限性并且提出了基于相异性的裁剪算法,证实了元学习和相关的裁剪方法的组合能取得相似的甚至更好的表现。
展开更多
关键词
机器学习
元学习
基础学习者
裁剪算法
下载PDF
职称材料
题名
基于堆叠集成算法的质量分类案例分析
1
作者
常凤
刘静
胡忠旭
艾鹏
机构
昭通学院
出处
《电子技术（上海）》
2024年第2期220-221,共2页
文摘
阐述针对葡萄酒品质分类常用的单一算法,提出堆叠集成算法,通过参数优化SVM、GBDT、RF、KNN学习器,将结果作为元学习器的RF输入特征。实验证明,堆叠集成算法评价指标显著提高。
关键词
堆叠集成算法
元学习器
基学习器
Keywords
stacking
ensemble
algorithm
meta
learner
base
learner
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
原文传递
题名
多卷积神经网络模型融合的农作物病害图像识别
被引量：
4
2
作者
龚安
井晓萌
机构
中国石油大学(华东)计算机科学与技术学院
出处
《计算机技术与发展》
2020年第8期134-139,共6页
基金
国家科技重大专项(2017ZX05013-001)。
文摘
农作物病害是粮食安全的主要威胁,病害的诊断对于农业生产来说至关重要。针对单一卷积神经网络在农作物病害识别上的局限性,分类准确率不高的问题,采用多个卷积神经网络模型融合的方式,对10种农作物的27种病害及其3种病害程度的农作物叶子图片进行病害及病害程度的细粒度识别。首先选用Resnet101、RestNext50、SE-ResNet50、SE-RestNext50这4种网络模型运用迁移学习的方式,固定底层模型参数,修改顶层的全连接层进行训练,然后采用Stacking方法将模型预测结果输入第二层元学习器XGBoost,最后对单模型预测结果和Stacking融合后的结果进行对比。实验结果表明,经过模型融合后的准确率能达到87.19%,具有较高的识别准确率及较强的鲁棒性,可以作为农作物病害的早期诊断方式,并可以进一步研究将该方法应用到真实的农业生产中。
关键词
农作物病害识别
模型融合
卷积神经网络
元学习器
迁移学习
Keywords
crop
disease
identification
model
ensemble
convolutional
neural
network
meta
learner
transfer
learning
分类号
TP391 [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
基于孪生特征引导多尺度网络的复杂场景下坦克检测方法
3
作者
李萍
宋利敏
张善文
机构
郑州西亚斯学院计算机与软件工程学院
出处
《电光与控制》
CSCD
北大核心
2023年第9期85-91,共7页
基金
河南省科技厅科技攻关项目(222102110134,232102210097)。
文摘
针对现有的基于CNN的方法存在特征信息丢失、杂波信息干扰严重、忽略了不同尺度特征之间的相关性、需要大量训练样本等问题,提出了一种基于孪生特征引导多尺度网络(SFGMSN)的坦克检测方法。在SFGMSN方法中,设计一种改进的Inception模块,提取坦克目标图像的多尺度特征,并进行特征融合,更好地恢复了坦克目标的精细分段信息;为了提高目标区域的特征感知能力和抑制背景干扰,设计了一种局部通道注意机制(LCA-M),得到更加精准的检测结果;最后,利用元学习器检测坦克目标。SFGMSN方法充分利用多尺度卷积、空洞卷积、孪生网络、局部通道注意机制和元学习器的优势,能够解决传统CNN模型过度依赖大量训练样本以及在小样本条件下可能出现的准确率低和泛化性差的问题。在坦克图像数据库中进行实验,结果表明,所提方法具有较好的检测效果,平均检测精度为90.12%,可实现复杂场景下坦克检测,对低分辨率坦克图像具有很好的鲁棒性。
关键词
坦克检测
孪生网络
多尺度CNN
元学习器
孪生特征引导多尺度网络(SFGMSN)
Keywords
tank
detection
Siamese
network
multi-scale
CNN
meta
-
learner
Siamese
Feature-Guided
Multi-Scale
Network(SFGMSN)
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
裁剪和元分类器在分布式数据挖掘中的应用
被引量：
1
4
作者
王士根
谢康林
机构
上海交通大学计算机科学与工程系
出处
《计算机应用与软件》
CSCD
北大核心
2008年第8期138-140,共3页
文摘
数据经常分布在不同的地方,需要的机器资源也随着数据量的增长按比例增长,但数据的增长往往快于机器资源和机器学习上的改进。描述了元学习的基本过程和几种组合元分类器的度量尺度。元学习能够改进可观测性和精度,但同时过度强大的元学习技术也会导致冗余,低效甚至不精确的元分类器层次。分析这些方法的局限性并且提出了基于相异性的裁剪算法,证实了元学习和相关的裁剪方法的组合能取得相似的甚至更好的表现。
关键词
机器学习
元学习
基础学习者
裁剪算法
Keywords
Machine
learning
meta
learning
Base
learner
Pruning
algorithm
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TP311.13 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于堆叠集成算法的质量分类案例分析
常凤
刘静
胡忠旭
艾鹏
《电子技术（上海）》
2024
0
原文传递
2
多卷积神经网络模型融合的农作物病害图像识别
龚安
井晓萌
《计算机技术与发展》
2020
4
下载PDF
职称材料
3
基于孪生特征引导多尺度网络的复杂场景下坦克检测方法
李萍
宋利敏
张善文
《电光与控制》
CSCD
北大核心
2023
0
下载PDF
职称材料
4
裁剪和元分类器在分布式数据挖掘中的应用
王士根
谢康林
《计算机应用与软件》
CSCD
北大核心
2008
1
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
