-
题名意图注意力引导的小样本3D点云目标检测
- 1
-
-
作者
徐守坤
张路军
石林
刘毅
-
机构
常州大学计算机与人工智能学院、阿里云大数据学院、软件学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第12期288-295,共8页
-
基金
国家自然科学基金青年项目(62001341)
江苏省自然科学基金面上项目(BK20221379)。
-
文摘
现有的点云目标检测方法往往要求严苛的监督式数据集,这带来了人力、物力等方面的挑战。因此提出一种创新性的解决方案,即采用元学习框架来克服大量标注数据的困扰。对小样本学习技术在3D点云目标检测中的应用进行研究。这一方法能够基于有限的新类别标注样本,预测未标注样本的分类,从而在有限数据条件下仍能取得良好效果。引入原型投票网络来学习类别的几何原型以及支持集的类别原型。此外,为了学习点云上下文信息,引入意图注意力机制,以实现更加精准的信息融合。在原型生成方面,为避免点云原型过度依赖最大池化而丧失大量信息,采用平均池化方法来生成原型。与基准数据集上的基线模型相比,该方法呈现出显著且一致的提升效果,为点云目标检测领域的研究和应用提供了有力支持。
-
关键词
点云
目标检测
小样本
投票网络
意图注意力
-
Keywords
point cloud
target detection
few-shot
VoteNet
intention-attention
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于三元中心引导的弱监督视频异常检测
- 2
-
-
作者
朱子蒙
李志新
郇战
陈瑛
梁久祯
-
机构
常州大学计算机与人工智能学院、阿里云大数据学院、软件学院
常州大学微电子与控制工程学院
-
出处
《计算机应用》
CSCD
北大核心
2024年第5期1452-1457,共6页
-
基金
国家自然科学基金资助项目(62201093)。
-
文摘
针对监控视频异常的复杂多样性和短时持续性,引入弱监督视频异常检测方法,旨在仅使用视频级别的标签进行异常检测,并提出了基于变分自编码器(VAE)与长短期记忆(LSTM)网络的异常回归网络VLARNet作为异常检测框架,以捕获时序数据中的时间依赖关系、去除冗余信息,保留数据的关键信息。该框架将异常检测视为回归问题,为学习检测特征,设计了异常分数回归的三元中心损失(TCLASR),与动态多实例学习损失(DMIL)相结合以进一步提高特征的区分能力。DMIL能够扩大异常实例与正常实例之间的类间距离,但同时也扩大了类内距离,而TCLASR可使来自同类的实例与类中心的距离更接近,与不同类中心的距离更远。对VLARNet在ShanghaiTech与CUHK Avenue数据集上进行了综合实验。实验结果表明,VLARNet能够有效利用视频数据的各种信息,在两个数据集上获得的受试者工作特征曲线下面积(AUC)分别为94.64%和93.00%,明显优于对比算法。
-
关键词
异常检测
弱监督学习
多实例学习
中心损失
受试者工作特征曲线下面积
-
Keywords
anomaly detection
weakly supervised learning
multiple instance learning
center loss
Area Under receiver operating characteristic Curve(AUC)
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于自适应森林优化算法的特征选择算法
被引量：4
- 3
-
-
作者
黄君策
石林
顾玉宛
李宁
庄丽华
徐守坤
-
机构
常州大学计算机与人工智能学院、阿里云大数据学院软件学院
-
出处
《计算机工程与设计》
北大核心
2023年第2期425-431,共7页
-
基金
江苏省石油化工过程关键设备数字孪生技术工程研究中心基金项目(苏发改高技发[2019]1125号)
2018年高校“青蓝工程”优秀青年骨干教师培养基金项目(苏教师〔2018〕12号)。
-
文摘
森林优化特征选择算法(FSFOA)表现出色,但初始化方法的盲目性以及更新机制的局限性限制了该算法的性能。对FSFOA不足之处加以改进,提出自适应森林优化特征选择算法(AFSFOA)。在初始化过程中,加入特征权重评估算法;在更新机制上,使用自适应参数选择策略以及贪心搜索策略替代原始的更新机制。在不同维度的数据集上进行实验,对比实验结果表明,与FSFOA算法以及近年来提出的较高效的特征选择算法进行对比,在准确率以及维度约简上,AFSFOA算法有很强的竞争力。
-
关键词
数据挖掘
特征选择
初始化策略
特征权重评估算法
更新机制
贪心算法
森林优化算法
-
Keywords
data mining
feature selection
initialization strategy
feature weight evaluation algorithm
update mechanism
greedy algorithm
forest optimization algorithm
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多尺度和注意力机制的混合监督金属表面缺陷检测
被引量：3
- 4
-
-
作者
孙博言
王洪元
刘乾
冯尊登
唐郢
-
机构
常州大学计算机与人工智能学院、阿里云大数据学院、软件学院
-
出处
《智能系统学报》
CSCD
北大核心
2023年第4期886-893,共8页
-
基金
国家自然科学基金项目(61976028)
2022年江苏省研究生科研创新计划(KYCX22_3066)。
-
文摘
针对缺陷检测中被检测样品中因缺陷目标形状各异引起的无法提取有效特征的问题,本文提出基于深度学习的缺陷检测模型。该模型使用改进后的多尺度特征融合模块,在控制计算量的基础上解决识别不同大小缺陷的问题。通过引入非局部注意力机制模块,模型对缺陷特征的提取能力得到加强;在训练中使用混合监督训练,探索模型所需要的标注量和检测准确度之间的关系。本文方法在KSDD、KSDD2和STEEL 3个数据集上都获得了比先进方法更好的精确度,对于不同类型的缺陷都能提取到有判别力的特征。与先进的完全监督方法和无监督方法相比,在数据集上精确度平均提高0.8%和11%。
-
关键词
缺陷
检测
特征提取
学习算法
学习系统
图像处理
金属
产品品质
深度学习
-
Keywords
defect
detector
feature extraction
learnin galgorithm
learning system
image processing
metal
quality of product
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
