为解决缫丝时绪下茧粒与工作背景辨识度较低、茧粒分布密集以及茧粒之间相互遮挡而漏检的问题,课题组提出了一种基于改进YOLOv5s的缫丝机绪下茧粒数检测算法。该算法在Backbone中引入RFB-SE(receptive field block-squeeze and excitati...为解决缫丝时绪下茧粒与工作背景辨识度较低、茧粒分布密集以及茧粒之间相互遮挡而漏检的问题,课题组提出了一种基于改进YOLOv5s的缫丝机绪下茧粒数检测算法。该算法在Backbone中引入RFB-SE(receptive field block-squeeze and excitation)模块,实现了对与工作背景辨识度较低茧粒的检测;使用空间增强注意力模块(spatially enhanced attention module,SEAM)来改进网络的颈部(Neck),解决了由于茧粒遮挡而造成漏检的问题;引入Soft-NMS代替非极大值抑制(non-max suppression,NMS),改变了原始模型对于预测框的处理方式,更好地改善了漏检问题。实验结果表明:该算法在数据集上召回率达到了98.3%;平均精度均值达到了98.8%,相比原始模型提高了3.3%。该算法解决了茧粒与工作背景辨识度低、茧粒间相互遮挡而造成的漏检问题。展开更多
在互联网技术日趋成熟的今天,广告的点击率(click-through rate,CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重...在互联网技术日趋成熟的今天,广告的点击率(click-through rate,CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重要特征。针对上述问题,提出了基于压缩激励网络的注意力因子分解机的点击率预测模型(squeeze and excitation network based attentional factorization machines model for click-through rate prediction,SEAFM),SEAFM模型通过压缩和激励网络来动态学习特征的重要性,通过注意力网络来学习特征交互的权重,通过深度神经网络(deep neural network,DNN)模块来隐式建模高阶特征交互。实验结果显示,SEAFM模型比现有相关模型具有更好的性能。展开更多
文摘为解决缫丝时绪下茧粒与工作背景辨识度较低、茧粒分布密集以及茧粒之间相互遮挡而漏检的问题,课题组提出了一种基于改进YOLOv5s的缫丝机绪下茧粒数检测算法。该算法在Backbone中引入RFB-SE(receptive field block-squeeze and excitation)模块,实现了对与工作背景辨识度较低茧粒的检测;使用空间增强注意力模块(spatially enhanced attention module,SEAM)来改进网络的颈部(Neck),解决了由于茧粒遮挡而造成漏检的问题;引入Soft-NMS代替非极大值抑制(non-max suppression,NMS),改变了原始模型对于预测框的处理方式,更好地改善了漏检问题。实验结果表明:该算法在数据集上召回率达到了98.3%;平均精度均值达到了98.8%,相比原始模型提高了3.3%。该算法解决了茧粒与工作背景辨识度低、茧粒间相互遮挡而造成的漏检问题。
文摘在互联网技术日趋成熟的今天,广告的点击率(click-through rate,CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重要特征。针对上述问题,提出了基于压缩激励网络的注意力因子分解机的点击率预测模型(squeeze and excitation network based attentional factorization machines model for click-through rate prediction,SEAFM),SEAFM模型通过压缩和激励网络来动态学习特征的重要性,通过注意力网络来学习特征交互的权重,通过深度神经网络(deep neural network,DNN)模块来隐式建模高阶特征交互。实验结果显示,SEAFM模型比现有相关模型具有更好的性能。
