摘要：为解决指数加权平滑(EWMA)控制图惯性问题而提出的自适应EWMA(adaptive EWMA,AEWMA)控制图的统计特性已经被广泛研究,但AEWMA控制图经济特性的研究却从未见有成果发表.针对该问题,在考虑Taguchi损失函数的基础上,给出了AEWMA控制图经济统计设计的模型.提出了一种在偏移区间上对AEWMA控制图进行优化设计的方法,用该方法优化设计的AEWMA控制图与针对固定偏移优化设计的EWMA控制图进行了比较.结果表明该方法设计的AEWMA控制图仍然保持其解决EWMA控制图惯性问题的特性,AEWMA控制图的经济特性同样优于EWMA控制图.分析了AEWMA控制图经济统计设计的参数灵敏度,总结了AEWMA控制图的参数变化与损失、平均链长以及最优参数组合之间的关系.

摘要：一般的学习算法通过最小化分类损失使分类错误率最小化,而代价敏感学习则以最小化分类代价为目标,需构造代价敏感损失.本文探讨代价敏感损失的设计准则,首先介绍基于代价敏感风险优化的代价敏感学习方法,然后在Bayes最优分类理论框架下,提出两条代价敏感损失设计准则.接着采用两种常用代价敏感损失生成方法构造平方损失、指数损失、对数损失、支持向量机损失等经典损失函数的代价敏感扩展形式.根据所提出的设计准则,从理论上分析这些代价敏感损失的性能.最后通过实验表明,同时满足两条设计准则的代价敏感损失能有效降低分类代价,从而证明了本文提出的代价敏感损失设计准则的合理性.

摘要：为了提高深度度量学习模型训练中的图像检索性能,在度量学习模型SoftTriple的基础上,对损失函数和网络结构进行改进.网络结构改进是在SoftTriple网络结构的基础上引入BNNeck模块;在损失函数设计中,首先添加难例挖掘函数对损失函数进行改进,然后通过使用高阶矩来表征整体特征分布的思路提出了新的损失函数.实验表明在度量学习数据集上的召回率和标准化互信息与改进前相比均有提高.与SoftTriple相比,添加难例挖掘函数实验最高将召回率提高了1.8%,标准化互信息值提高了2.2%;整体特征分布实验最高将召回率提高了0.9%,标准化互信息值提高了0.8%.

摘要：为解决由多个二类代价敏感算法扩展而成的多类算法存在时间复杂度高和不能区分错分代价的问题,提出一种采用多类代价指数损失函数的多类代价敏感AdaBoost算法(MCCSADA)。为保证算法的代价敏感特性,首先设计一种满足代价敏感损失函数设计准则的多类代价敏感指数损失函数;然后将此损失函数作为评价分类器性能的标准,以最小化损失函数为目的使用逐步叠加模型推导算法的最优基分类器加权系数;最后使用多类代价损失函数和最优基分类器加权系数求解公式替换多类AdaBoost算法的损失数和加权系数求解公式,得到代价敏感的MCCSADA算法。使用UCI数据集对算法进行验证,实验结果表明:算法的稳定性得到了提升,退化现象被减弱;相比于由两类代价敏感算法通过一对一方法扩展而来的多类代价敏感算法,MCCSADA算法在大多数情况下能够取得更低的代价,而且具有较低的时间复杂度,在3类数据集上的时间复杂度降低约40%,并且随着类别数的增多效率提升更加明显。

摘要：针对密集分布的荔枝花遮挡严重导致检测困难,现有研究方法忽略了非极大抑制过程中密集建议框之间的相互作用的问题,为提升检测精度、降低漏检率,提出了一种基于polyphyletic损失函数的检测方法。该方法在损失函数中包含一个聚合损失项,以迫使建议框接近并紧凑定位相应目标,同时增加专门为密集作物场景设计的边界框排斥损失,使预测框远离周围对象,提高密集荔枝花检测鲁棒性。与Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN进行对比,实验表明,该方法在标准苹果花数据集上识别精度比其他方法高2个百分点,验证了该方法检测的通用性,同时,该方法在自建荔枝花数据集的平均精度均值达到87.94%,F1值为87.07%,缺失率为13.29%,相比Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN分别提高20.09、14.10、8.35、4.86个百分点,具有较高检测性能。因此,本文提出的方法能够高效地对密集荔枝花进行检测,为复杂场景下的密集作物检测提供参考。

摘要：针对道路场景点云全语义分割对行人等重要移动小目标实时分割效果差的问题,提出一种基于RangeNet++深度神经网络并对损失函数进行优化改进的小目标语义分割方法.首先对原本使用交叉熵损失函数的RangeNet++网络进行改进;然后采用Focal Loss损失函数调节稀少但重要的移动小目标的权重,能在卷积层数更少的DarkNet21特征提取网络下,通过少次训练就能提高行人等重要移动小目标类别的检测和分割精度.在SemanticKITTI数据集上的实验表明,与原有的RangeNet++相比,该方法使用的backbone卷积层数和网络训练次数都更少,但对移动小目标的语义分割达到了更高的准确率和精度.

摘要：为解决智能驾驶系统中夜间车辆检测误检多、远处小目标检测效果差的问题,在RetinaNet的基础上对损失函数进行全面优化。在分类损失函数方面,分析了负样本与正样本交并比的产生机理和对训练的影响,构造了关联交并比的分类损失函数,利用负样本交并比使网络注重于训练难分类负样本,同时利用正样本交并比提高了检测框的定位精度;在定位损失函数方面,改进了传统L1损失的归一化方式,提高了小目标检测能力。此外,针对夜间场景中的车辆特征对网络结构进行了优化设计,并在夜间车辆数据集上进行了测试验证,结果表明模型优化后的平均检测精度提升了14.6%。

摘要：针对水下小目标因携带特征信息少、定位不精准而导致检测精度低的问题,提出一种特征金字塔网络(FPN).首先,在FPN上采样过程中加入协同非局部注意力模块,利用卷积、横纵向池化挖掘特征图的静态和动态上下文信息;其次,在FPN通道调整过程中加入三叉戟特征增强模块,利用并行空洞卷积与高效通道注意力(ECANet)捕捉多尺度空间与通道特征信息;最后,在FasterR-CNN算法的回归损失函数中引入线性回归损失增益系数,增大对多尺度目标回归偏移量的惩罚,提高定位精度.实验结果表明,采用2020年全国水下目标检测大赛提供的数据集、PASCALVOC数据集和MSCOCO数据集进行实验,该算法比基线FasterR-CNN算法精度分别提升2.8%,2.2%和2.5%,结果证明了其有效性.

摘要：物体分割技术是计算机视觉中的研究热点,在多个领域都有广泛的应用.本文从人类视觉系统对场景中的全局信息和局部细节非常敏感的角度出发,设计了一种新颖、高效且易于计算的增强匹配标准(Eξ)来评估物体分割模型的性能.Eξ将局部像素值与全局平均值有机结合,以便评估分割结果与标准结果在图像级和像素级的相似度.在国际主流的4个公开数据集上的大量实验表明,Eξ在多个方面,如应用关联度、随机偏好度、噪声偏好度、感知度上相比现有广泛采纳的评价标准(IoU和Fβ)均有大幅相对提升.通过利用加权二值交叉熵损失函数、本文的增强匹配损失函数以及加权交并比损失函数,本文进一步设计了一套组合损失函数(Hybrid-Eloss)来促进网络学习到像素级、对象级和图像级的分割特征.定性和定量的结果表明,在3个不同领域的分割任务中使用这一组合损失函数能够进一步提高物体分割的精度.

摘要：文章针对过程异常导致均值和标准差同时发生漂移的情况,考虑田口质量损失、误报警损失、维修成本和抽样成本等,构建了综合损失模型,提出了可变抽样区间X-R图优化设计方法。通过选择最优样本容量、长短抽样区间、X和R图的控制限和警戒限,使单位时间平均损失最小。数值计算说明了模型的使用方法;灵敏度分析研究了均值漂移参数和标准差的大小对控制图优化设计的影响。