基于深度卷积神经网络的目标检测技术的研究进展

目标检测是计算机视觉领域中的一个研究热点。近年来,深度学习中的卷积神经网络在目标检测任务上表现突出。文中综述了深度学习在目标检测技术中的研究进展。首先,介绍了目标检测的两种方法和常用数据集,并分析了基于深度学习的方法在目标检测任务上所具有的优势。其次,根据深度学习的目标检测方法的发展过程,介绍了该方法所使用的经典卷积神经网络模型,并分析了各网络模型的特点。然后,从获取特征的能力、检测的速度及所使用的关键技术等方面进行了分析和总结。最后,根据基于深度学习的目标检测方法中存在的困难和挑战,对未来的发展趋势做了思考和展望。     

基于v-结构和邻居集的启发式贝叶斯网络结构学习方法

针对K2算法存在的序依赖性问题,提出了能够从给定数据集中有效学习变量序的启发式算法(H-vnK2)。具体而言,基于PC算法学习的v-结构知识以节点块的形式快速准确修正部分父子节点顺序,获得部分节点的最优序;基于PC算法学习的邻居集知识以距离阈值启发式策略进一步从全局最优角度修正父子节点顺序,获得所有节点的最佳序。实验表明,在标准数据集Asia、Alarm网络上,所提算法显著优于对比算法,其中与性能最好的基于因果效应的方法相比,准确率平均提升了7%,增量最高能达到33.3%,可以学习到更准确的网络结构。     

基于遗传算法的贝叶斯网络结构学习综述

贝叶斯网络采用图模型描述变量之间的依赖关系，因其结构清晰，具有突出的决策机制和学习机制，故拥有优秀的推理能力。在各类研究方法中，遗传算法能够有效地解决复杂的优化问题，以其普适性好、鲁棒性强、便于并行执行、高效便捷等显著特点，在贝叶斯网络结构的学习研究过程中发挥着非常重要的作用。从初始种群、遗传操作算子设计两个层面对近年基于遗传算法的因果结构学习改进方法进行了调研分析并指出了该技术路线进一步的研究方向。     

一种基于两步搜索策略的K2改进算法

贝叶斯网络由于其强大的不确定性推理能力和因果可表示性越来越受到研究者的关注。从数据中学习一个贝叶斯网络结构被称为NP-hard问题。其中，针对K2算法强依赖于变量拓扑序的问题，提出了一种组合变量邻居集和v-结构信息的K2改进学习方法TSK2(Two-Step Search Strategy of K2)。该方法有效减小了序空间搜索规模，同时避免了过早陷入局部最优。具体而言，该方法在约束算法定向规则的启示下，借助识别的v-结构和邻居集信息可靠调整汇点的邻居在序中的位置；其次，在贝网基本组成结构的启发下，借助变量邻居集信息，通过执行顺连、分连、汇连3个基本结构的搜索，准确修正父节点与子节点的序位置，获得最优序列。实验结果表明，在Asia和Alarm网络数据集上，与对比方法相比，所提算法的准确率得到显著提升，可以获得更准确的网络结构。