正则化半监督判别分析方法

为了克服加权线性判别分析(WLDA)只利用有标签的训练样本而不能反映样本数据流形结构的缺点，提出一种正则化的半监督判别分析方法。首先构建所有样本的近邻图来估计数据的局部流形结构，然后将此作为正则项引入WLDA的准则函数中。该方法避免了类内散度矩阵奇异，同时保持了样本数据的判别结构和几何结构。在ORL和YALE人脸数据库上的实验结果证明了该算法的有效性。     

基于不完全信息的轴承故障聚类识别方法

联合收获机中零部件繁多及滚珠滑失等因素,导致监测信号中轴承组件的特征频率并非总能找到,进而影响了故障诊断的正确率。为了解决该问题,提出了一种基于不完全信息的轴承故障聚类识别方法。该方法将特征频率显著的样本作为先验信息,利用这些信息进行相关成分分析,从而给相关程度高的特征赋予大的权重,然后利用改进的半监督聚类算法对所有样本进行聚类识别。其中,提出了近邻扩展方法对先验信息进行扩充,增加了目标函数惩罚环节对聚类过程予以指导。将所提方法应用于联合收获机的轴承滚珠和外圈故障识别,与其它几种聚类方法相比,故障识别率提高了2.78%~7.22%。     

改进的图半监督支持向量机用于P2P网络流识别

对于机器学习在P2P网络流识别中需要大量标记训练数据的问题，提出一种基于改进图半监督支持向量机的P2P流识别方法。采用自动调节的高斯核函数计算少量标识数据和大量未标识训练样本之间的相似距离以构建图模型，并在标记传播过程中嵌入训练样本局部分布信息以获取未标记样本的标识；在此基础上使用所有已标记样本对SVM训练实现P2P网络流识别。实验结果表明该方法能够兼顾整个训练样本集的信息，在提高SVM识别精度的同时，极大降低了人工标记训练样本的成本。     

农业云视频平台虚拟机负荷预测半监督偏最小二乘法模型

为了优化基础设施资源的效率,农业云视频平台虚拟机布局算法需要了解虚拟机当前和未来的资源工作效率,尽可能准确地预知下一步工作,如服务部署,虚拟机的部署、迁移或停止.然而,通常在预测中使用的样本非常小,可用于分析的数据有限.因此,该文研究设计了一个考虑时间因素,基于小数据集学习的滑动窗口模型.此外,鉴于现有的预测算法仍然有很大的改进误差率的空间,该文中采用基于滑动窗口与最小二乘法和半监督学习的数学方法相结合,提出了一种半监督偏最小二乘法(semi-supervised partial least squares,SS-PLS)的方法来计算上述预测.该文中,分析了在虚拟机使用SS-PLS负荷预测的可行性和优势.试验结果表明,基于滑动窗口模型结合SS-PLS,使得预测精度有了显着的改善,即均方根误差为1.77786,平均绝对误差是1.3312,平均绝对误差百分比为0.23836,三者的增量分别5.47%、6.37%、6.12%.该研究可为云平台中虚拟机资源管理和优化提供一种参考方法.     

密植环境下基于域自适应学习的番茄检测方法

为解决果实检测模型在密植环境中对于不同场景适应力较差和严重的数据依赖性问题,该研究结合YOLOv5模型和域自适应学习,提出了一种新型的番茄域自适应检测模型TDA-YOLO(tomato detection domain adaptation)。该研究将密集种植环境中正常光照场景作为源域,其他光照场景作为目标域。首先,引入神经预设的颜色风格迁移来构建伪数据集,减小源域和目标域之间的差异。其次,该研究结合半监督学习方法,使模型能够更充分的提取域不变特征,并利用知识蒸馏提高模型适应目标域能力。此外还引入FasterNet轻量级网络整合到C3模块中,以加快推理速度并减少参数量。试验结果表明,在不同场景的密集种植环境中,TDA-YOLO模型检测番茄的均值平均精度为96.80%,比原始YOLOv5s模型提高了7.19个百分点,相较于最新的YOLOv8和YOLOv9也分别高出2.17和1.19个百分点,其对于每张图像的平均检测时间为15 ms,FLOPs大小为13.8G。经过加速处理后,Jetson Xavier NX 开发板上部署的 TDA-YOLO 模型的检测准确率为90.95%,均值平均精度值为91.35%,每张图像的检测时间为 21 ms,满足密植环境下番茄实时检测的要求。试验结果表明提出的TDA-YOLO模型可在密植环境下准确、快速的检测番茄,同时避免了使用大量的标注数据,为番茄等果实自动化收获系统的开发提供技术支持。     

基于改进半监督模型的空间异质性农田特征提取研究

提取农田信息对智慧农业、环境保护等有重要意义。监督学习模型对不同地貌、区域、种植类型等空间异质性农田的特征提取效果不佳。针对该问题,本文提出一种半监督学习模型,该模型使用基于加权损失函数的在线难例样本挖掘策略,在Vaihingen数据集中总体精度高达87.1%,相较于其他半监督学习模型的提取效果最好。在吉林一号农田影像数据集进行空间异质性农田特征提取中的对比试验和精度评估,结果表明：分别使用拟提取地区和训练集地区的无标注影像训练该模型,均可提高对空间异质性农田特征提取精度,若无标注影像与拟提取地区影像中农田特征相似度高,总体精度可提升2.1～6.1个百分点,总体精度最高可达84.0%。该模型使用更少量的标注信息获得媲美监督学习模型的提取效果;而使用相同量的标注信息,可以通过增加无标注影像以取得比监督学习模型更好的提取效果。本文构建河北献县地区的农田数据集,模型使用吉林一号农田影像数据集(部分1)作为有标注训练集,吉林一号农田影像数据集(部分2)和献县地区高分二号影像数据集作为无标注影像训练后的总体精度高达88.7%。验证了改进后的半监督学习模型可准确有效提取空间异质性农田特征。     

基于深度学习的半监督图像标注系统设计与实现

针对深度学习研究中标注训练样本费时费力的问题,以食用菌为研究对象,设计一种基于深度学习的半监督图像标注方法.该方法将深度学习目标检测模型与迭代图像标注工作有效结合,采用“检测模型训练—目标自动检测—人工标注修正—检测模型更新”的迭代操作,实现半监督方式的图像标注.基于所设计的方法构建了半监督图像标注系统,在试验中对系统...     

基于半监督学习的松林变色疫木检测方法

针对模型训练中数据标注成本过高的问题,提出一种基于无人机图像分析的半监督变色疫木目标检测方法。该方法提出级联抗噪声半监督目标检测模型（Cascade Noise-Resistant Semi-supervised object detection,CNRS）,使用抗噪声学习提升模型对伪标签的学习质量;通过级联网络解决训练中正负样本的分布问题;使用ResNet50和特征金字塔网络结构增强模型对多尺寸和小目标疫木的识别能力;在监督学习阶段使用FocalLoss,提升网络对边缘目标和早期疫木等困难样本的学习,使用SmoothL1Loss保证梯度相对稳定;在RCNN阶段使用软化非极大抑制软化检测框剔除过程。该文提出的半监督目标检测模型CNRS使用训练集中半数标注的数据进行训练,试验结果表明,最优模型在测试集上的平均精度（Average Precision,AP）可达87.7%,与Faster RCNN使用完全标注数据相比,标注量减少了50%,且AP提升了2.3个百分点,与同时期最先进的半监督模型Combating Noise相比,AP提升了1.6个百分点。该方法在准确检出多种不同形态疫木的基础...     

土地利用分类粒子群优化概率神经网络半监督算法

针对以往土地利用监测大都采用监督分类算法,成本较高、错分漏分严重且受人为因素影响较大的问题,提出了一种粒子群优化概率神经网络的半监督分类算法.该算法通过粒子群优化算法优化分类器的参数,提高分类器的精度,运用香农熵选择高置信度的样本扩展初始训练样本集,将大量未标记的样本扩展到训练样本集中,减少了初始标签样本的数量,节约了...     

基于UANP-MT的半监督菜心杂草分割方法

杂草作为一种常见的农业问题,对农作物的生长造成比较严重的影响,控制和管理杂草是农业生产活动中的重要一环。近年来,随着无人机技术和人工智能技术的快速发展,基于无人机平台的特定区域杂草管理是目前除草作业的主流研究,而精确高效地对田间杂草进行识别和检测是实现自动化杂草管理的重要前提。但高效的识别模型往往意味着大量的农业数据。为了降低对农业标签数据的依赖性,该研究提出了一种UANP-MT (uncertainty aware and network perturbed mean teacher)的半监督语义分割网络。该模型基于PSPNet结构与MT (mean teacher)的思想,首先通过对教师网络做扩增输出,令该部分做出若干次推理并取其均值,以此来保证网络预测的鲁棒性,其次在网络的一致性学习部分构建不确定性系数来约束不同网络间的输出差异,提高预测的置信度和可靠性,从而提高模型的识别准确度。为了验证所提出的模型的有效性,设计消融试验,包括对网络参数的取值设置,特征提取网络backbone的选取,以及在不同数据量的数据集下对模型进行性能测试,试验过程中确定了模型的一些最佳的参数设置。结果表明...