摘要：针对传统网络流量分类方法要求训练和测试数据分布一致、训练数据充足的假设在实际中难以满足的问题,引入迁移学习理论对其研究,提出从特征属性和样本域内相似性两个角度对网络流量数据优化,改进TrAdaBoost(boosting for transfer learning)算法的权重更新机制使其适应多分类任务,添加抑制因子解决源域权重转移现象。在数据集Moore上对该方法检验,结果表明,当目标样本量不足,该模型能根据相似性迁移,有效避免负迁移问题,相比其它流量分类模型具有更高的分类准确率。

摘要：针对胃部内窥镜图像中的小尺度息肉检测精度不高的问题,提出了一种改进的SSD(Single Shot Multi Box Detector)算法。首先在SSD网络的池化层设计最大池化Dropout,使神经元稀疏化,然后在反向传播求损失函数梯度时,引入基于权重衰减的正则化技术以降低模型的复杂度,最后通过反卷积进行特征融合,使图像特征得以充分利用,解决内窥镜图像中小尺度物体检测不足的问题。实验表明,所提出的方法对胃部息肉具有良好的检测效果,相对于传统SSD算法,提高了5%的胃部息肉检测的平均精度(mAP)。