针对连续性工业生产特点,重点关注类别不平衡造成的不合格样本召回率低问题。为了从高维数据提取有效特征,结合one class F-score和最小冗余最大相关性在特征提取方面的优势,有效降低特征维度并提取有价值特征;利用Wasserstein生成对抗...针对连续性工业生产特点,重点关注类别不平衡造成的不合格样本召回率低问题。为了从高维数据提取有效特征,结合one class F-score和最小冗余最大相关性在特征提取方面的优势,有效降低特征维度并提取有价值特征;利用Wasserstein生成对抗网络(WGAN)方法扩增不合格样本数量;通过类别权重优化Focal Loss函数以提高困难样本识别率;通过轻量级梯度提升机算法结合阈值移动策略,构建基于WGAN数据增强和难例挖掘技术的质量预测模型(WGAN_Focal Loss_LGB(TM))。将所提模型应用于开源SECOM数据集,验证了所提方法的有效性。展开更多
针对目前通过超分辨率技术重建后图像的质量不高、纹理细节模糊、网络训练不稳定等问题,提出一种基于改进生成对抗网络的单图超分辨率重建算法。该算法以生成对抗网络为基础,采用多尺度卷积层和GELU(Gaussian Error Linear Units)激活...针对目前通过超分辨率技术重建后图像的质量不高、纹理细节模糊、网络训练不稳定等问题,提出一种基于改进生成对抗网络的单图超分辨率重建算法。该算法以生成对抗网络为基础,采用多尺度卷积层和GELU(Gaussian Error Linear Units)激活函数对生成网络中的残差块进行优化,提高网络泛化能力;利用Wasserstein距离和Huber损失对损失函数进行优化,增强网络训练的稳定性;减少判别网络中的批规范化层,优化网络结构。实验结果表明:在Set5等数据集上,该算法重建后的图像在客观评价指标和主观视觉效果上均优于其他经典算法。展开更多
文摘针对连续性工业生产特点,重点关注类别不平衡造成的不合格样本召回率低问题。为了从高维数据提取有效特征,结合one class F-score和最小冗余最大相关性在特征提取方面的优势,有效降低特征维度并提取有价值特征;利用Wasserstein生成对抗网络(WGAN)方法扩增不合格样本数量;通过类别权重优化Focal Loss函数以提高困难样本识别率;通过轻量级梯度提升机算法结合阈值移动策略,构建基于WGAN数据增强和难例挖掘技术的质量预测模型(WGAN_Focal Loss_LGB(TM))。将所提模型应用于开源SECOM数据集,验证了所提方法的有效性。
文摘针对目前通过超分辨率技术重建后图像的质量不高、纹理细节模糊、网络训练不稳定等问题,提出一种基于改进生成对抗网络的单图超分辨率重建算法。该算法以生成对抗网络为基础,采用多尺度卷积层和GELU(Gaussian Error Linear Units)激活函数对生成网络中的残差块进行优化,提高网络泛化能力;利用Wasserstein距离和Huber损失对损失函数进行优化,增强网络训练的稳定性;减少判别网络中的批规范化层,优化网络结构。实验结果表明:在Set5等数据集上,该算法重建后的图像在客观评价指标和主观视觉效果上均优于其他经典算法。
