-
题名多尺度特征图分类再提取的目标检测算法
被引量：11
- 1
-
-
作者
尹震宇
樊超
赵志浩
黄哲
张飞青
-
机构
中国科学院大学
中国科学院沈阳计算技术研究所
-
出处
《小型微型计算机系统》
CSCD
北大核心
2021年第3期536-541,共6页
-
基金
辽宁省科学技术计划项目(2019JH2/10100019)资助
国家重点研发计划项目(2017YFE0125300)资助。
-
文摘
为提高SSD算法检测目标的能力,提出了一种对多尺度特征图进行分类再提取的目标检测算法.该算法将SSD特征金字塔中多个不同尺度的特征图分为低层和高层两类特征图.针对低层特征图所处位置网络深度不够导致的特征表示能力不足,设计了SFE(Shallow Feature Enhancement)模块提取特征从而增加网络深度,最终提高对小目标的检测能力;高层特征图采用两段反卷积的方式,将更深层提取的语义信息融入特征图,从而提高对中等目标和大目标的检测能力.同时提出了减弱反卷积棋盘格效应的回流式反卷积的方法.在Pascal VOC 2007测试集上进行验证后的结果表明,本文算法的mAP值达到了79.6%,相比SSD算法提高了2.4%.
-
关键词
目标检测
SSD
shallow
feature
enhancement(SFE)
反卷积
-
Keywords
object detection
SSD
shallow feature enhancement(SFE)
deconvolution
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名森林优化特征选择算法的增强与扩展
被引量：10
- 2
-
-
作者
刘兆赓
李占山
王丽
王涛
于海鸿
-
机构
吉林大学软件学院
吉林大学计算机科学与技术学院
长春工业大学计算机科学与工程学院
符号计算与知识工程教育部重点实验室(吉林大学)
-
出处
《软件学报》
EI
CSCD
北大核心
2020年第5期1511-1524,共14页
-
基金
国家自然科学基金(61672261)
吉林省自然科学基金(20180101043JC)
吉林省发改委产业技术研究与开发专项资金(2019C053-9)。
-
文摘
特征选择作为一种重要的数据预处理方法,不但能解决维数灾难问题,还能提高算法的泛化能力.各种各样的方法已被应用于解决特征选择问题,其中,基于演化计算的特征选择算法近年来获得了更多的关注并取得了一些成功.近期研究结果表明,森林优化特征选择算法具有更好的分类性能及维度缩减能力.然而,初始化阶段的随机性、全局播种阶段的人为参数设定,影响了该算法的准确率和维度缩减能力;同时,算法本身存在着高维数据处理能力不足的本质缺陷.从信息增益率的角度给出了一种初始化策略,在全局播种阶段,借用模拟退火控温函数的思想自动生成参数,并结合维度缩减率给出了适应度函数;同时,针对形成的优质森林采取贪心算法,形成一种特征选择算法EFSFOA(enhanced feature selection using forest optimization algorithm).此外,在面对高维数据的处理时,采用集成特征选择的方案形成了一个适用于EFSFOA的集成特征选择框架,使其能够有效处理高维数据特征选择问题.通过设计对比实验,验证了EFSFOA与FSFOA相比在分类准确率和维度缩减率上均有明显的提高,高维数据处理能力更是提高到了100 000维.将EFSFOA与近年来提出的比较高效的基于演化计算的特征选择方法进行对比,EFSFOA仍具有很强的竞争力.
-
关键词
enhanced
feature
selection
using
forest
optimization
algorithm(EFSFOA)
高维
特征选择
演化计算
-
Keywords
enhanced feature selection using forest optimization algorithm(EFSFOA)
high-dimensional
feature selection
evolutionary computation
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
