考虑潜在高价值旅客特有的数据高度不平衡、旅客特征和价值类别弱相关等问题,提出一种基于三重混合采样和集成学习的潜在高价值旅客发现模型。采用RFM(Recency Frequency Monetary)方法标注旅客类别;使用三重混合采样对不平衡旅客数据...考虑潜在高价值旅客特有的数据高度不平衡、旅客特征和价值类别弱相关等问题,提出一种基于三重混合采样和集成学习的潜在高价值旅客发现模型。采用RFM(Recency Frequency Monetary)方法标注旅客类别;使用三重混合采样对不平衡旅客数据集进行重采样;使用融合特征选择算法遴选旅客特征;使用梯度提升决策树作为分类器,构建旅客价值预测模型,识别潜在高价值旅客。在PNR数据集上的实验结果表明,与基准算法相比,该模型能取得更好的AUC值和F1值,可以较好地识别潜在高价值旅客。展开更多
目前,无监督单模态行人重识别研究主要集中于可见光图像。随着新型红外摄像头的普及,无监督红外行人重识别也展现出其研究价值。由于红外图像对比度低、缺乏颜色纹理细节信息,因此全局信息对于红外行人重识别至关重要。本文设计了基于F-...目前,无监督单模态行人重识别研究主要集中于可见光图像。随着新型红外摄像头的普及,无监督红外行人重识别也展现出其研究价值。由于红外图像对比度低、缺乏颜色纹理细节信息,因此全局信息对于红外行人重识别至关重要。本文设计了基于F-ResGAM的无监督红外行人重识别网络。该网络首先利用小波变换对图像进行预处理以增强特征提取能力,接着在resnet50网络结构中引入全局注意力机制(Global Attention Mechanism,GAM)关注更多的全局信息。此外,由于红外伪标签噪声较大,本文提出采用基于样本扩展的分组采样(Group Sampling based on Sample Expansion,GSSE)策略进一步优化伪标签生成,从而提升了模型的识别精度。实验结果表明,本文提出的优化方法有效提升了无监督红外行人重识别的精度,尤其是rank指标显著提升。展开更多
文摘考虑潜在高价值旅客特有的数据高度不平衡、旅客特征和价值类别弱相关等问题,提出一种基于三重混合采样和集成学习的潜在高价值旅客发现模型。采用RFM(Recency Frequency Monetary)方法标注旅客类别;使用三重混合采样对不平衡旅客数据集进行重采样;使用融合特征选择算法遴选旅客特征;使用梯度提升决策树作为分类器,构建旅客价值预测模型,识别潜在高价值旅客。在PNR数据集上的实验结果表明,与基准算法相比,该模型能取得更好的AUC值和F1值,可以较好地识别潜在高价值旅客。
文摘目前,无监督单模态行人重识别研究主要集中于可见光图像。随着新型红外摄像头的普及,无监督红外行人重识别也展现出其研究价值。由于红外图像对比度低、缺乏颜色纹理细节信息,因此全局信息对于红外行人重识别至关重要。本文设计了基于F-ResGAM的无监督红外行人重识别网络。该网络首先利用小波变换对图像进行预处理以增强特征提取能力,接着在resnet50网络结构中引入全局注意力机制(Global Attention Mechanism,GAM)关注更多的全局信息。此外,由于红外伪标签噪声较大,本文提出采用基于样本扩展的分组采样(Group Sampling based on Sample Expansion,GSSE)策略进一步优化伪标签生成,从而提升了模型的识别精度。实验结果表明,本文提出的优化方法有效提升了无监督红外行人重识别的精度,尤其是rank指标显著提升。
