原木贸易过程中,原木材积的精确测量与经济效益直接相关。通常,同一批木材的长度相对固定,其材积计算依赖于原木端面检测算法。但是,原木端面形状各异、数量不一,给成捆原木端面检测带来巨大的挑战。因此,为了减少原木端面图像中的漏检原木数目,使模型能够更加完整地识别图像中的所有原木,同时考虑算法模型的可移植性,提出一种基于改进YOLOv4-Tiny的成捆原木端面检测模型,通过引入压缩和激励(Squeeze and Excitation,SE)网络实现注意力机制以增强目标原木的特征,同时将YOLOv4-Tiny的解码网络中的卷积层改为深度可分离卷积(Depthwise Separable Convolution,DSC),减少了模型的参数量。实验结果表明,所提出的模型能够有效地提高原始YOLOv4-Tiny的检测性能,精准率达到了93.3%,召回率达到了95.07%,同时模型的权重大小相比较原始模型减少了29.91%。
为了解决传统抑郁症预测模型因过于依赖单一模型而难以有效应对数据复杂性的问题,提出了一种基于ABS-Stacking算法的抑郁症预测模型。在传统Stacking模型基础上采用最佳优先搜索算法构建基分类器筛选层,以自适应选择最优的基分类器组合。通过5折交叉验证,根据各基模型在验证集上的AUC(area under curve)值对预测结果进行加权平均,使得表现较好的基模型在最终预测中贡献更大,从而提升模型的整体预测性能。在中老年结构化数据上的实验结果表明,ABS-Stacking模型在泛化能力和抑郁症预测效果上均优于单一模型和传统集成方法。该方法不仅有效解决了基分类器组合选择和性能加权的问题,还显著提高了模型的自适应性和泛化能力,为抑郁症预测提供了新的方法参考。
暂无评论