-
题名基于smoothL1改进的边框回归损失函数
被引量：2
- 1
-
-
作者
陈孝聪
-
机构
合肥工业大学数学学院
-
出处
《大学数学》
2021年第5期18-23,共6页
-
基金
国家自然科学基金(61472466)。
-
文摘
为了进一步提高目标检测任务中的边框回归精度,提出一种基于smoothL1改进的边框回归损失函数.通过自适应地增大smoothL1中非离散点的梯度,缓解了模型反向传播中对离散点和非离散点梯度分布不平衡问题,提高了模型的精度.实验结果表明,在PASCAL VOC2007测试集上,基于改进的smoothL1的目标检测模型Faster R-CNN,平均精度均值(mAP)达到了70.8%,相较smoothL1,模型精度有所提高.
-
关键词
目标检测
边框回归损失
smoothl1
-
Keywords
object detection
bounding box regression loss
smoothl1
-
分类号
O235
[理学—运筹学与控制论]
-
-
题名基于SuNet的公共交通安检违禁品的检测
- 2
-
-
作者
张缓缓
刘鹏程
姜萌
王雨欣
-
机构
西安工程大学电子信息学院
-
出处
《西安工程大学学报》
2025年第2期47-56,共10页
-
基金
国家自然科学基金青年项目(61902302)
陕西省科技厅重点研发计划项目(2024GX-YBXM-231)
浙江省博士后科研项目择优资助(ZJ2022154)。
-
文摘
在公共交通安检场景中,违禁品与非违禁品相互重叠,导致现有模型难以有效地识别被遮挡违禁品类别问题。针对这一问题,文中提出基于SuNet的违禁品检测模型。首先,设计了强化注意力定位特征金字塔网络(augmented attention localization feature pyramid network,AALFPN),以强化违禁品的语义信息,并将违禁品定位信息和语义信息融合,引导模型准确定位被遮挡的违禁品位置,增强违禁品的特征轮廓。其次,引入了密集注意力机制(dense attention mechanism,DAM),以有效地识别和提取被遮挡违禁品。最后,引入了SmoothL1 Loss损失函数解决在回归过程中违禁品类别信息丢失的问题。该实验在PIDray数据集上对SuNet能够有效识别被遮挡违禁品类别进行验证,在CLCXray数据集上对SuNet在其他违禁品数据集上具有泛化性进行验证。结果表明:在PIDray数据集上,相较于RoIAttn模型,SuNet在AP@0.5∶0.95、AP@0.5和AP@0.75指标上分别提升了2.9%、4.4%和3.3%;在CLCXray数据集上,相较于RoIAttn模型,SuNet在AP@0.5∶0.95、AP@0.5和AP@0.75指标上分别提升了1.4%、1.4%和0.4%。说明SuNet不仅能有效识别被遮挡违禁品类别,还在其他违禁品数据集上具有良好的泛化性能,可为公共交通安检场景提供一种有效的违禁品检测解决方案。
-
关键词
违禁品检测
SuNet
强化注意力定位特征金字塔网络
密集注意力机制
smoothl1
Loss
-
Keywords
prohibited item detection
SuNet
augmented attention localization feature pyramid network(AALFPN)
dense attention mechanism(DAM)
smoothl1 Loss
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名改进过滤模型解决音变问题研究
- 3
-
-
作者
程兆亮
沈雅婷
唐俊杰
王泽铭
-
机构
南京理工大学紫金学院
-
出处
《电脑与电信》
2023年第9期5-10,15,共7页
-
基金
江苏省高等学校基础科学(自然科学)研究项目,项目编号:21KJB520009
江苏高校哲学社会科学研究项目,项目编号:2021SJA2253
+2 种基金
全国高等院校计算机基础教育研究会计算机基础教育教学研究项目,项目编号:2021-AFCEC-332
南京理工大学紫金学院科学研究项目,项目编号:2021ZRKX0401004
江苏省大学生创新创业项目,项目编号:202313654031Y。
-
文摘
针对特定信息音变的过滤,目前较先进的算法之一是门控卷积神经网络(GCNN),其具有并行性、稀疏性、多层特征提取、门控机制等优点,GCNN采用SmoothL1Loss(平滑L1损失)损失函数,SmoothL1Loss具有平滑性、对异常值的鲁棒性等优点,但仍然存在形状固定、参数敏感性、函数不稳定等不足,因此,提出了DOM-SmoothL1Loss(基于样本隶属度调控的平滑L1函数),DOM-SmoothL1Loss融入了样本隶属度的特性,使得损失计算更加准确。为了方便比较损失函数改进前后的效果,提出一种简单的GCNN_DOM模型,GCNN_DOM使用DOM_SmoothL1Loss作为损失函数,在相同数据集上进行实验,结果显示GCNN_DOM模型的均方误差和平均绝对误差两项指标较GCNN分别高出2.8%、3.8%,因此,DOM_SmoothL1Loss具有一定竞争力。
-
关键词
过滤模型
门控卷积神经网络
smoothl1Loss
样本隶属度
损失函数
-
Keywords
filtering model
gated convalutional neural network
smoothl1Loss
degree of membership
loss function
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
