自顶向下的模糊模式树(Pattern Tree Top-down,PTTD)是一种基于相似性度量的模式树归纳方法，在构建过程中采用集束搜索策略，以贪婪方式搜索候选树空间，导致模型构建时间较长。为了解决这一问题，提出一种基于模糊规则插值技术的PTTD...
详细信息
自顶向下的模糊模式树(Pattern Tree Top-down,PTTD)是一种基于相似性度量的模式树归纳方法，在构建过程中采用集束搜索策略，以贪婪方式搜索候选树空间，导致模型构建时间较长。为了解决这一问题，提出一种基于模糊规则插值技术的PTTD优化方法(PTTD-FRI)。首先，设计了一种新的搜索优化策略，简化了模型构建的搜索空间，构造稀疏规则库；然后，提出了一种模糊模式树规则转换方法，将复杂的模糊模式树拆分为多条仅包含三角范数的模糊规则，并用三角余范数聚合；最后，引入模糊规则插值模块，通过简单的计算，进一步完善规则库，提升分类性能。实验结果表明，PTTD-FRI在保持相近分类准确率的情况下，有效提升了模型训练效率，降低了模型复杂度。
灾后搜救工作对人类的生命安全有着重要的意义。在废墟环境中，利用红外图像的视觉信息来检测人体是一种直观的方法。红外图像普遍分辨率低，并且图像中的人体特征不明显。针对上述问题，该研究基于YOLO框架设计了一种包含重参数化（re-parameterization）和多尺度大核卷积（multi-scale large kernel convolution）的红外图像人体检测网络RML-YOLO。该网络通过空间和通道重构注意力模块，将注意值集中到对检测任务更重要的区域。通过Sobel算子强化边缘特征，提高对不同姿态人体的检测能力。RML-YOLO的有效性在自制数据集上得到验证。在只有1.8M可学习参数和14.7G FLOPs算力情况下，模型的AP50和AP50-75分别达到了91.2%和87.3%。在参数量相近的情况下，AP50-75比YOLOv8-n提高了约5.3%。RML-YOLO的设计在红外图像人体检测任务中有着明显的优势。
暂无评论