排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
针对障碍物检测中因样本量过大而造成的标记困难以及样本分布不均衡等问题,提出了一种基于AUC
优化的非线性主动学习算法.该算法的计算处理过程是:首先利用基于AUC 优化的算法在训练集上对非线性分类
器进行训练;然后利用已训练好的分类器对所有未标记样本进行分类;接着利用基于AUC 优化的样本选择函数计
算分类后的样本的得分;最后算法根据分值大小选出最有信息量样本,并且专家根据该样本所在的图像及在图像中
位置对其进行标记并放入训练集中.重复上述过程,直到AUC 收敛为止.在户外环境图像库上进行了实验,结果表
明:该算法能显著减小数据标记的工作量,并能解决因样本分布不平衡而引起的次优解问题,与已有主动学习算法
相比性能更优. 相似文献
2.
为了解决传统成像系统存在的大视场与高分辨率不可兼得的问题,设计了大视场曲面仿生复眼光学系统。首先,针对所采用的间隔型圆周分层微透镜阵列排布方式,建立了一种曲面仿生复眼光学系统成像原理数学模型;再使用微透镜阵列与转像系统相结合的成像方案解决了微透镜阵列所成的曲面像与平面探测器不匹配的问题;并使用光学设计软件对该系统进行仿真分析及公差分析。设计得到的曲面仿生复眼光学系统总视场为152°,组合系统的焦距为61.14 mm,角分辨率为2.304″,系统总长为16.39 mm。相对传统的大视场成像系统而言,此曲面仿生复眼成像系统的畸变更小、分辨率更高。 相似文献
4.
5.
6.
一种新的SVM主动学习算法及其在障碍物检测中的应用 总被引:3,自引:0,他引:3
障碍物检测是智能机器人要解决的非结构复杂环境感知的典型问题之一.在实际情况中,获得大量未标记样本是相对容易的,而标记这些样本则是极其繁琐和费时的工作,当前的研究工作很少涉及到这类问题的解决办法.将SVM主动学习算法引入到障碍物检测中,针对常规的SVM主动学习算法在应用中所遇到的问题和局限性,采用一种动态聚类过程来选取最有代表性样本和根据专家标记与当前SVM分类结果的差值来调整SVM超平面位置的两种策略对其进行了改进,提出了一种新的主动学习算法--KSVMactiv算法,并在真实的野外环境图像库上进行了实验.由实验结果可知:KSVMactiv算法仅用81个样本就能达到很高的检测效果,从而说明它能显著减少数据标记的工作量,且与已有主动学习算法相比收敛速度更快. 相似文献
1