【摘 要】
：
自动机器学习(Automatic Machine Learning,AutoML)可实现语义分割,使机器学习大部分步骤自动化。针对面向超参数优化、迁移学习、神经架构搜索等方法的算法思想、优化对象、实现技术、技术指标、应用效果及场景,结合语义分割的机器学习超参数多、数据集规模较小、标注工作量大等问题,指出超参数优化、迁移学习、神经架构搜索分别有助于提升训练效率、降低样本标注工作量、自动构建专用卷积神
论文部分内容阅读
自动机器学习(Automatic Machine Learning,AutoML)可实现语义分割,使机器学习大部分步骤自动化。针对面向超参数优化、迁移学习、神经架构搜索等方法的算法思想、优化对象、实现技术、技术指标、应用效果及场景,结合语义分割的机器学习超参数多、数据集规模较小、标注工作量大等问题,指出超参数优化、迁移学习、神经架构搜索分别有助于提升训练效率、降低样本标注工作量、自动构建专用卷积神经网络,若AutoML与机器视觉相结合可赋予系统自学习、快速更换检测对象和解决特别复杂任务等特性。
其他文献
手势识别研究旨在探索更加和谐自然的人机交互方式,促进人工智能技术的发展应用,具有重要的研究价值和广泛的社会影响。针对现有的手势识别算法鲁棒性弱、实时性差和识别率低的问题以及传统手势识别当中人工设计的手型特征单一,时序建模过程繁琐的问题,以大多数手势词汇使用运动轨迹进行表述为基础,将运动轨迹的骨架节点流坐标作为训练集和测试集特征,提出基于循环神经网络(RNN)的变体结构长短时记忆网络(LSTM)序列
提出了一种基于深度学习的红外与可见光决策级融合检测方法。首先,提出了一种介于深度学习模型之间的参数传递模型,进而从基于深度学习的可见光物体检测模型上抽取了用于红外物体检测的预训练模型,并在课题组实地采集的红外数据集上进行fine-tuning,从而得到基于深度学习的红外物体检测模型。在此基础上,提出了一种基于深度学习的红外与可见光决策级融合检测模型,并对模型设计、图像配准、决策级融合过程进行了详细
物联网可以看做是引发信息产业革命的关键技术,在计算机发展和信息发展方面发挥重要作用。作为培养计算机人才及技术人才的计算机专业,需要开设计算机物联网工程专业,培养学生的物联网技术相关知识与技能,为我国培养更多的技术人才。计算机学院需要根据物联网技术的发展现状、教学大纲要求及课程开设现状,在现有课程中合理添加物联网技术相关内容,提升学生的物联网技术认知水平及应用能力。
《Photoshop图形图像处理》课程是高职院校许多专业重要的一门课程,课程教学中,由于学生对计算机应用能力不一、缺乏后续课程支持、学生审美能力不足等问题,影响到对本课程的深入学习,应加强与美学等相关学科融合,运用任务驱动、产教结合等方式,提高本课程的教学效果。
针对传统的红外图像智能融合算法存在清晰度较低、运行时间较长等问题,提出基于SNNT变换的区域分割下序列红外图像智能融合算法。利用熵率法将图像划分为若干超像素,选取信息度量精度较高的模糊相关与考虑空间相关性的图割相结合。引用最大模糊相关时,集合划分概率设定图割的数据项,建立模糊相关性图割2-划分算子,引用2-划分算子对目标区域进行分割。在上述基础上,分别对可见光图像与红外图像进行NSST变换,对所有
近年来生成对抗网络在计算机视觉领域快速发展,尤其在图像数据生成领域占据着主导地位。图像翻译是在不改变图像内容的前提下,将图像转换成另一领域的图像,类似语言翻译。研究总结了基于生成对抗网络的图像翻译方法的最新进展,详细介绍并对比了近两年来的各个方法(Pix2Pix、Cycle GAN、Star GAN等)基本原理与网络框架结构,最后,探讨了在相关领域的应用前景、目前存在的问题以及后续发展趋势。
Echinococcosis—a parasitic disease caused by Echinococcus granulosus or Echinococcus multilocularis larvae—occurs in many regions in the world. This disease can pose a serious threat to public health
在激光光斑探测系统中,需要对多个目标光斑信息进行提取,针对这种情况,提出了一种多目标光斑自适应快速检测算法。该算法首先对整个多目标光斑图像与背景图像进行差分处理、中值滤波、边缘检测等预处理,使用迭代法实时获取不同的阈值对光斑图像进行二值化处理,利用图像的对称特点快速精准的提取光斑区域像素面积、质心位置坐标、直径等参数。最后通过实验验证该算法可以在不同背景光干扰的情况下自适应的选取阈值,且能有效、稳
手写数字识别在当今社会有着重要的应用价值,在金融、社交、教育、通信等领域有着广泛的应用前景。手写数字识别是光学字符识别技术的一个分支,目前大多采用BP神经网络进行识别,但BP神经网络存在局部极小值、学习速度慢、结构选取上无确定准则三方面缺陷,影响其识别效果。通过遗传算法寻优BP神经网络最佳的初始阈值、初始权值、结构来克服其缺陷。通过MATLAB仿真,结果表明,用遗传算法优化后的BP神经网络具有辨识
针对基于分类模型的目标跟踪算法中存在的样本划分不精确,实时性较差,当目标形变和背景光照变化较大时跟踪不稳定的问题,提出一种以加权模型匹配为框架,结合样本约束学习的实时跟踪算法。该算法利用样本约束函数来解决样本划分不精确、过程复杂的问题。将得到的正、负样本进行对比度及亮度变换等处理,并采用二值采样进行特征提取,从而得到丰富的特征集以提供给随机蕨分类器进行学习与训练,使其适应跟踪时目标或背景的光照变化