-
题名跨层融合与多模型投票的动作识别
被引量：1
- 1
-
-
作者
罗会兰
卢飞
严源
-
机构
江西理工大学信息工程学院
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2019年第3期649-655,共7页
-
基金
国家自然科学基金(61462035
61862031)
+1 种基金
江西省青年科学家培养项目(20153BCB23010)
江西省自然科学基金(20171BAB202014)~~
-
文摘
针对动作特征在卷积神经网络模型传输时的损失问题以及网络模型过拟合的问题,该文提出一种跨层融合模型和多个模型投票的动作识别方法。在预处理阶段,借助排序池化的方法聚集视频中的运动信息,生成近似动态图像。在全连接层前设置对特征信息进行水平翻转结构,构成无融合模型。在无融合模型的基础上添加第2层的输出特征与第5层的输出特征融合结构,构造成跨层融合模型。训练时,对无融合模型和跨层融合模型两种基本模型采用3种数据划分方式以及两种生成近似动态图像顺序进行训练,得到多个不同的分类器。测试时使用多个分类器进行预测,对它们得到的结果进行投票集成,作为最终分类结果。在UCF101数据集上,提出的无融合模型和跨层融合模型的识别方法与动态图像网络模型的方法相比,识别率有较大提高;多模型投票的识别方法能有效缓解模型的过拟合现象,增加算法的鲁棒性,得到更好的平均性能。
-
关键词
动作识别
跨层融合
多模型投票
近似动态图像
水平翻转
-
Keywords
Action recognition
Cross layer fusion
Multi-models voting
Approximate dynamic image
Horizontal flip
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多度量多模型图像投票的织物表面瑕疵检测方法
被引量：1
- 2
-
-
作者
朱凌云
王晨宇
赵悦莹
-
机构
重庆理工大学计算机科学与工程学院
重庆理工大学两江国际学院
-
出处
《纺织学报》
EI
CAS
CSCD
北大核心
2024年第6期89-97,共9页
-
基金
重庆市巴南区科技计划项目(2018TJ02,2020QC430)
重庆理工大学研究生教育高质量发展项目(gzlcx20223133)。
-
文摘
为解决自动化生产线上织物表面瑕疵检测准确率低和计算速度慢的问题,利用织物表面具有周期纹理的特性提出了一种改进的RANSac检测方法,即多度量多模型图像投票。首先将输入图像裁剪为尺寸一致的子图,计算出子图多维度量的输出值矩阵;然后与改进RANSac计算出的无瑕疵背景的多维度量标准值分别对应作差,采用投票得出每张子图的基础分;再将其在4个记数模型下得到的综合评分排序,根据顺序和偏移量在输出端得到外点所代表的瑕疵子图。实验结果表明:在自采样的织物瑕疵数据集上,选择单度量和单模型的预测精度平均可达到90.9%,平均预测时间达到0.139 s,综合多度量多模型投票的平均预测精度可达到92.7%。该算法不需要大量前期数据进行训练,适用于纯色和条纹状织物的实时表面缺陷检测。
-
关键词
目标检测
周期纹理
织物表面瑕疵检测
零斜率RANSac
多度量多模型图像投票
-
Keywords
object detection
periodic texture
fabric surface defect detection
zero-slope-RANSac
multi-metric-multi-model image voting
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TS101.8
[轻工技术与工程—纺织工程]
-
-
题名面向法律文书的量刑预测方法研究
被引量：11
- 3
-
-
作者
谭红叶
张博文
张虎
李茹
-
机构
山西大学计算机与信息技术学院
-
出处
《中文信息学报》
CSCD
北大核心
2020年第3期107-114,共8页
-
基金
国家社会科学基金(18BYY074)。
-
文摘
大规模法律文书数据为智能司法审判研究提供了重要的数据基础。量刑预测是智能司法审判中的一个关键环节,对维护司法审判的公平与公正具有重要意义。该文首先基于区间划分和多模型投票方法进行了量刑预测初探,发现区间划分策略可以有效缓解刑期类别众多和数据不平衡问题;在此基础上,又采用基于量刑属性的预测方法来充分理解量刑情节。在CAIL2018评测数据上的实验表明:该文所提出的两种方法,性能明显超过其他基线系统。
-
关键词
量刑预测
区间划分
多模型投票
量刑属性
-
Keywords
sentencing prediction
interval partition
multi-models voting
penalty attributes
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名多特征融合的煤矿网络加密恶意流量检测方法
被引量：4
- 4
-
-
作者
霍跃华
赵法起
吴文昊
-
机构
中国矿业大学(北京)机电与信息工程学院
中国矿业大学(北京)网络与信息中心
-
出处
《工矿自动化》
北大核心
2022年第7期142-148,共7页
-
基金
国家重点研发计划项目(2016YFC0801800)。
-
文摘
针对煤矿网络面临由恶意软件所产生的安全传输层协议(TLS)加密恶意流量威胁和检测过程加密流量误报率高的问题,提出了一种基于多特征融合的煤矿网络TLS加密恶意流量检测方法。分析了TLS加密恶意流量特征多元异构的特点,提取出煤矿网络TLS加密恶意流在传输过程中的连接特征、元数据和TLS加密协议握手特征,利用流指纹方法构造煤矿网络TLS加密流量特征集,并对该特征集中的特征进行标准化、独热编码和规约处理,从而得到一个高效样本集。采用决策树(DT)、K近邻(KNN)、高斯朴素贝叶斯(GNB)、L2逻辑回归(LR)和随机梯度下降(SGD)分类器5个子模型对上述特征集进行检验。为提高检测模型的鲁棒性,结合投票法原理将5个分类器子模型结合,构建了多模型投票(MVC)检测模型:将5个分类器子模型作为投票器,每个分类器子模型单独训练样本集,按照少数服从多数原则进行投票,得到每个样本的最终预测值。实验验证结果表明:所构建的特征集降低了样本集维度,提高了TLS加密流量检测效率。DT分类器和KNN分类器在数据集上表现最好,达到了99%以上的准确率,但是它们存在过拟合风险;LR分类器和SGD分类器子模型虽然也达到了90%以上的识别准确率,但这2个子模型的误报率过高;GNB分类器子模型表现最差,准确率只有82%,但该子模型具有误报率低的优势。MVC检测模型在数据集上准确率和召回率达99%以上,误报率为0.13%,提高了加密恶意流量的检出率,加密流量检测误报率为0,其综合性能优于其他分类器子模型。
-
关键词
煤矿网络
安全入侵检测
安全传输层协议
TLS
加密恶意流量
机器学习
多特征融合
多模型投票检测
-
Keywords
coal mine network
security intrusion detection
secure transport layer protocol
TLS
encrypted malicious traffic
machine learning
multi-feature fusion
multi-model voting classifier detection
-
分类号
TD67
[矿业工程—矿山机电]
-
