损失函数

摘要： 为进一步提升由单图像进行三维重建的精度,通过对Pix2Vox网络进行改进,提出一种基于深度学习的方法实现单图像三维重建的神经网络.首先,在Pix2Vox网络结构中增加多尺度连接和通道注意力机制,以保留多尺度信息,强化重点特征学习;其次,提出一个阈值计算模块,实现了适应不同类别的阈值设定方法,优化阈值取值;最后,提出一种融合型损失函数,融合模型的结构损失和类别损失,减小不平衡数据与类间差异对重建效果的影响.实验结果表明,该网络在公共数据集ShapeNet的13种模型类别上,平均IoU指标达到0.670,比Pix2Vox等网络取得了更好的单图像三维重建效果.

摘要： 本文针对手写体数据集在进行卷积神经网络算法训练时分别使用交叉熵损失函数与负对数似然函数进行实验,通过对这两种损失函数下的训练集损失函数收敛曲线以及测试集精度曲线进行算法结果分析,本文得出交叉熵损失函数对比负对数似然函数更适用于手写体数据集进行卷积神经网络训练,同样得出对不同的训练数据集,损失函数的选择直接影响算法对数据的拟合度。

摘要： 针对密集场景下因尺度变化和遮挡等现象导致的人群计数精确率不高,在HRNet中将真值图生成为互不重叠的独立区域,便于网络密度图人群位置统计;然后引入3D注意力机制,使得网络专注于特征图的有用信息;最后在训练时将均方误差损失(MSE loss)、L1损失和交叉熵损失(Cross Entropy loss)相结合作为总的损失函数,优化模型泛化能力.上述方法的结合提高了模型在人群计数及人群位置定位中的准确性.将该模型在公开数据集NWPU、Shanghai Tech和UCF-QNRF中与近年来的主要方法进行对比,实验结果表明该模型可有效提升人群位置计数问题的准确性和鲁棒性.

摘要： PCB印刷电路板上元器件较多且距离较小,电路走线颜色较为相近。传统检测方法基于机器视觉检测,其算法存在检测速度慢、误检率较多、能够检测出的瑕疵种类较少等问题。基于此,提出了一种基于改进Faster RCNN的印刷电路板瑕疵检测算法。该算法可以同时检测出漏孔、缺口、断路、短路、毛刺、余铜6种印刷电路板上的瑕疵。首先,采用Faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框、聚类作为基础改进措施;其次,以改进后损失函数(DIoU)替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比。实验结果表明,原算法Faster RCNN的mAP为73.7%,改进后Faster RCNN的mAP为95.1%,相比原算法对印刷电路板瑕疵检测的mAP上升了21.4%,相比其他算法具有明显优势。

摘要： 本文针对数据集较小或者图像结构相对复杂的较大面积缺失的图像修复问题,提出结合SENet的密集卷积生成对抗网络图像修复方法.首先,采用生成对抗网络的思想,生成器使用密集卷积块捕捉图像中缺失部分的语义信息再利用;其次,取消密集卷积块之间的过渡层,引入SENet注意力机制SE模块,获取特征重要程度,增强特征信息指导能力;再次,在编码器和解码器之间引入跳跃连接,减少由于下采样而造成的信息损失;最后,通过引入对抗损失、MSE损失、TV损失增强网络的稳定性.所提模型在CelebA数据集进行实验.结果表明,所提算法的修复结果在图像语义、峰值信噪比(PSNR)和结构相似度(SSIM)3个方面均具有不错成效.

摘要： 针对地面场景下的红外目标检测易受复杂背景干扰、检测精度不高、易发生误检和漏检的问题,以车辆红外特征为研究对象,提出了基于全局感知机制的红外目标检测方法。在以Darknet-53为主干网络的基础上,结合具有全局信息融合的空间金字塔池化机制,在增大模型感受域的同时增强了模型的全局信息感知力和抗干扰能力;设计了平滑焦点损失函数,解决了图像内因目标相互影响而导致的检测精度不高、易出现误检、漏检等问题。实验表明,在Infrared-VOC320数据集上,该算法的平均检测精度为80.1%,较YOLOv3提高了4.4%,检测速度达到了56.4 FPS,有效提高了复杂背景下红外目标的检测精度,实现了对红外目标的实时检测。

摘要： 建立蜡油加氢中试模型,预测加氢蜡油中硫、氮含量,一直是工艺研发人员的需求。为实现这一目标,笔者基于深度学习框架,建立了蜡油加氢4种不同催化剂的数据驱动模型,该模型可同时预测产品的硫、氮含量。传统的深度学习框架训练多任务模型时,其损失函数简单表示为各任务损失函数求和后再平均,由于该方式未考虑各任务优化时的梯度冲突,其结果通常不理想。为解决这一问题,根据硫、氮任务的数据分布特点,赋予硫、氮损失函数不同的权重,缩小二者梯度的差异。仿真结果表明:同时预测加氢蜡油中硫、氮含量(质量分数)的平均绝对误差分别从125.36和45.95μg/g降低至49.89和38.62μg/g,平均相对误差分别从32.6%和13.4%降低至9.98%和9.59%,新构建的损失函数基本解决了同时预测硫、氮任务时,预测误差不平衡的问题,能满足实际应用的要求。

摘要： S-Box功耗随机化是一种对抗侧信道攻击的防御方案,该方案将设备加密过程中S-Box输出值功耗泄露的位置进行随机化处理,降低了中间值与能量消耗的相关性,使得基于固定位置进行能量分析的代价大幅增加。具备平移不变性的卷积神经网络在侧信道攻击上取得了显著的效果。为进一步提高其对S-Box功耗随机化防御方案的攻击能力,基于贝叶斯个性化排序的思想,提出一种更符合侧信道攻击原理的CNN-BPR模型。实验结果表明,与Softmax交叉熵损失模型相比,CNN-BPR模型在使用全部训练能迹用于模板攻击时,成功恢复密钥所需要的攻击能迹数量能够减少3%,当使用60%的训练能迹用于模板攻击时,减少的攻击能迹数量能够达到27%。

摘要： 基于深度学习的飞速发展,语义信息逐渐成为SLAM(Simultaneous Location and Mapping)领域的研究热点.由于环境以及传感器本身带来的噪声问题,现有大多数语义SLAM算法所构建的语义地图中存在一些异常点,导致构建的语义地图缺乏一致性,并且影响算法精度.损失函数可以调整对异常点分配的权重,从而抑制异常点的存在.但是大多数语义SLAM算法使用的损失函数本身模型固定,不能很好地适应周围环境噪声的变化.为了解决此问题,提出了一种变结构的鲁棒语义SLAM算法,称为VS-SLAM.采用高斯混合相关熵权重函数作为损失函数,利用其可以通过调整参数,随周围环境噪声变化来改变其模型结构的特点,最大程度地拟合噪声的分布,更有利于降低算法对异常点的权重分配,提高对异常点的鲁棒性.在公开KITTI数据集上的实验表明,本文算法在建图的时间几乎相等的情况下,平均相对平移误差和旋转误差分别降低了5.36%和8.82%,并且构建的语义地图更加具有一致性.

摘要： 遥感图像目标检测一直是遥感图像领域中的热点和难点问题,旨在分类和定位感兴趣目标。近年来卷积神经网络理论技术的快速发展,有效地解决了传统目标检测方法特征提取不足的问题。在公开的遥感数据集RSOD-Dataset上,基于YOLOv3算法模型进行目标检测,为了适应遥感图像中目标小、背景复杂等难分类样本的特点,在检测模型中引入难易样本平衡因子来改变不同类别的损失权重,从而进一步提高遥感图像检测精度。为了证明这里改进方法的有效性,进行了一组对比消融实验。实验结果表明,改进的算法比YOLOv3算法的平均检测精度提高了6%,尤其是对于背景复杂的立交桥类别,平均检测精度有了明显的提高。因此通过改进YOLOv3进一步平衡了简单样本和难例样本的损失权重,有效地提高了遥感图像目标检测精度。

摘要： 资产评估为资产的可能交易价格提供参考意见,即在实际市场交易价格发生之前对其进行估计,从而估计值和实际值之间的差值形成资产评估的价值损失.本文在充分借鉴损失函数和分位数回归的相关研究文献，提出资产评估损失函数，度量资产评估行为的社会价值，也即是资产评估价值意见的可靠性和准确性。资产评估价值和实际交易价格越接近，可靠性和准确性越高，则其效率就越高，为媒介交易并使之顺利进行所作的贡献也越大，其社会价值就越大。

摘要： 排序学习是当前机器学习与信息检索交叉领域的研究热点。它利用机器学习方法自动地构造排序模型，用于排序新的数据。Pairwise方法是一类重要的排序学习方法，它以偏序文档对作为训练样例，通过判断不同文档与查询的相关性大小关系来为文档排序。由于pairwise 方法不考虑单个文档的相关性大小，若对文档对内两个文档的相关性均预测错误，则会导致连锁反应并影响最终排序性能；为解决该问题，本文分别基于单层神经网络和双层神经网络的RankNet算法，加入pointwise损失函数进行优化，并分别使用梯度下降算法和反向传播算法训练网络权重值，得到排序模型。在OHSUMED数据集上的实验结果表明，加入pointwise损失函数有助于改善pairwise方法的排序性能。

摘要： 应急时间最短和物资未满足需求量最小是应急物资分配的两个重要目标。本文构造的损失函数将两个目标有机结合起来，并以此构建了以受灾点损失最小为目标的应急物资多阶段分配模型，利用遗传算法进行了求解，运算结果令人满意。

摘要： 常规控制图的控制界限足在大量试验基础上依据经验确定的，并没有精确的公式推导。利用Taguchi博士的理论，通过确定适宜的二二次测量质量损失函数，可以确定控制图的最佳控制界限和最佳抽样问隔。文章简要介绍了常规控制图原理和Taguchi博士的质量损失函数，重点叙述了Taguchi博士反馈控制系统的测量质量损失函数，在此基础上，研究了控制图最佳控制界限和最佳抽样间隔，并且通过具体实例验证了该控制图良好的经济性。

摘要： 几何分布在实际中的应用是十分普遍的,关于几何总体的统计方法多种多样,广泛而深入.设总体的密度为f(x)=θ(1-θ)x-1,(0＜θ＜1,x=1,2,……).由于其参数θ是未知的,人们使用各种方法对其进行估计,这里我们取损失函数为L(θ,δ)=(θ/δ)q+(δ/θ)q-2,(q＞0),称之为q—对称熵损失函数下.在本文中给出了θ的Bayes估计,并与作者之前针对于Poisson分布及二项分布所做工作得到的Bayes估计形式上极为相近,其形式为c[(Ⅱ)2q(T+d-k)]1/-2q,并对该估计的可容许性与不可容许性进行讨论.

摘要： 近年来,生成对抗网络(GAN)在图像生成方面取得了较好的效果,开辟了深度学习最为炙手可热的研究方向之一.针对某些情况下遥感图像少且信息难以提取的问题,提出了一种基于生成对抗网络的方法来生成更多的遥感图像数据.该方法首先对现有的遥感数据集进行了初步处理;其次,构建了生成对抗网络模型的生成器和判别器;再次,利用生成器和判别器的相互博弈,提升生成器的生成能力和判别器的判别能力,直至生成器所生成的数据与原始数据难以分辨;最后,使用搬土距离(Earth-Mover Distance)代替JS散度(Jensen-Shannon divergence)作为损失函数的距离度量指标.实验结果表明,该网络在遥感图像生成的清晰度和模型的稳定性方面有更好的效果,并且基于定量的评估方法(FID)对实验结果进行了验证,相较于不同的损失函数,FID分数值分别降低了28.17和17.88.

摘要： 本文提出了一种利用多分类隐任务学习来进行动作识别的方法，描述了模型的建立和优化求解步骤。利用多分类分类器进行动作分类，使得分类更加准确；使用KL距离作为损失函数，将模型的优化时间大大缩短；引入稀疏约束使模型更加鲁棒。实验结果表明本文提出的方法可以有效地建模图像序列中的动作并为其正确分类。

摘要： 提出一种针对图像隐写的分布式决策融合隐写分析方法。以贝叶斯规则为基础，引入损失函数，分析了决策条件风险和基于最小风险贝叶斯决策规则，并将融合决策方法引入隐写分析研究领域，提出了平均最小风险贝叶斯决策融合规则。从空域、DCT域和DWT域分别提取图像特征并独立局部分类，运用最小风险贝叶斯决策规则计算各局部决策的条件风险，依据平均最小风险贝叶斯决策融合规则获得全局决策结果以达到低的漏警率。仿真结果显示：运用基于平均最小风险贝叶斯决策的融合隐写分析后，漏警率显著下降。

摘要： 目的:应用Boosting算法建模,对亚健康状态的人群进行分类并分析其临床特征,同时与通常使用的logistic统计方法进行比较研究。方法:使用不同损失函数下boosting算法对亚健康状态流行病学调查数据的健康和亚健康人群进行分类；同时,通过重要性度量分析得到亚健康状态的重要临床特征。结果:采用boosting算法对亚健康人群进行了分类得到了分类准确性及重要影响变量。结论:使用boosting算法对亚健康人群进行分类的方法比传统的两种logistic回归模型分类准确率要高,同时也可以得到影响亚健康状态的重要变量。

摘要： 针对大数据时代下SAR舰船目标检测中海量数据处理难度大,人力物力资源成本高的问题,提出一种基于无锚框FCOS的SAR舰船目标检测算法.文中算法摆脱对初始锚框的依赖,直接对像素点进行回归,不再受限于锚框中对舰船目标尺度和长宽比的限制,对多尺度、多形态舰船目标检测具有更好的鲁棒性.同时利用特征金字塔网络对不同分辨率特征图进行融合,结合深浅层特征图优点,进一步提升多尺度舰船目标检测性能,实现端对端自动检测.实验表明,该算法对多尺度、多分辨率舰船具有良好的泛化性.

摘要： 用于评估损失函数或所述损失函数的梯度的系统和方法。在一个示例实施例中，一种计算机实施的方法包括：将权重矩阵分割成多个块。所述方法包括：为所述多个块中的每一个标识分数大于第一阈值的第一标签集合。所述方法包括：基于所述第一标签集合为所述多个块中的每一个构建评分向量的稀疏近似。所述方法包括：为所述评分向量的每个稀疏近似确定校正值。所述方法包括：基于所述评分向量的每个稀疏近似和与所述评分向量的所述稀疏近似相关联的所述校正值，来确定与所述评分函数相关联的损失或损失的梯度的近似。

摘要： 本发明公开了一种基于多质量损失函数综合的用户暂降经济损失评估方法，包含：统计电力系统中的用户敏感设备组成，计算任意一节点的综合电压耐受曲线；根据历史数据计算每次电压暂降事件下，该节点的设备故障率、能量指标和电压暂降严重性并计算其带来的质量损失；根据上述计算结果，基于熵权法对所述设备故障率、电压暂降幅值、能量指标和电压暂降严重性这四部分质量损失进行赋权；根据历史记录中电压暂降产生的经济损失，进行质量损失函数的参数估计；根据该次电压暂降的暂降幅值和持续时间，进行该用户的电压暂降经济损失评估，得到此次电压暂降经济损失。本发明更具有客观性以及评估结果更精确的优点。

摘要： 本发明公开了一种用于肝脏血管分割的损失函数的建立方法及系统，属于医学图像处理和人工智能技术领域。所述方法包括：对原始肝脏血管掩模进行形态学腐蚀，去除游离杂点，得到第二掩模；对第二掩模进行形态学膨胀，得到第三掩模；计算原始掩模与第三掩模中同为1的像素位置的交集，得到第四掩模；计算原始掩模与第四掩模中同为1的像素位置的差集，得到第五掩模；将原始肝脏血管掩模像素位置集合划分为三部分，并建立肝脏血管分割的损失函数。所述系统包括腐蚀模块、去除模块、膨胀模块、第一计算模块、第二计算模块和建立模块。本发明建立的损失函数可以对分支血管、主干血管和背景像素进行不同加权，更加灵活和准确地控制网络的优化方向。

摘要： 本发明公开了一种基于自适应损失函数加权的多任务模型训练方法，包括：1)获得数据集的图像和标签，构建待训练的多任务模型；2)将图像输入至多任务模型中，计算不同任务的损失值及初始梯度；3)将第i个任务的初始梯度进行归一化，并计算第i个任务的期望梯度；4)通过第i个任务归一化后的初始梯度及其期望梯度，计算其梯度差值，更新其任务权重；5)重复步骤3)至步骤4)，更新N个任务损失的权重，得到加权的多任务损失，并通过反向传播算法对多任务模型进行参数更新，得到训练完成的多任务模型。本发明对不同任务损失的权重进行自适应加权，缓解了任务间的梯度冲突，提高了多任务模型训练的精度和效率。

摘要： 本发明公开了一种基于深度学习的乳腺肿块分割方法。本方案通过训练人工标注的肿块图像来训练一个深度神经网络。输入完整乳腺图像后该网络能够自主学习肿块的影像学特征，输出结果是网络认定为肿块的区域，实现了端到端的乳腺肿块分割。为了提高肿块的检出率，本发明公开了一种新的加权复合型损失函数。

摘要： 本发明公开了一种基于空间分布损失函数的真实环境下的人脸表情识别方法，涉及计算机视觉领域，本发明的技术方案1)将人脸表情数据集的图像进行预处理；2)设计高效注意力机制的卷积神经网络；3)在高效注意力机制网络学习过程中部署联合损失函数进行监督学习；4)将人脸表情数据集分为训练集、验证集以及测试集；对上文设计的卷积神经网络进行预训练；5)利用人脸表情数据集对训练模型进行参数微调，得到最终的人脸表情识别模型；6)使用最终的人脸表情识别模型进行人脸表情识别。经过训练后得到人脸表情识别模型，实现对待分类表情图像的有效分类。

摘要： 本发明公开了一种基于曲率损失函数的视网膜渗出液全自动分割方法。在对原始OCT图像的预处理中进行了层分割、Bruch膜位置矫正和图像展平、邻近B‑scan串联；将预处理后的图像输入增强多金字塔注意力编解码网络进行预测；将预测结果反变换。本发明在视网膜渗出液分割处理流程中充分应用了视网膜渗出液的病理特性和几何特征，具有全自动、高精度、轻量级的特点，在临床上为wAMD的诊疗带来极大帮助。

摘要： 本发明公开了一种损失函数动态加权的方法、装置、设备和存储介质，包括：获取样本集内每个类别的先验概率；根据所述先验概率和当次模型训练中所输出的每个类别的预测概率，确定每个类别的难易权值；基于所述每个类别的难易权值对预设的损失函数中的权值变量进行更新，得到难易权值更新后的损失函数，实现了动态调整损失函数的权值变量，避免人为划分的难易权值在所选取的损失函数中效果不佳的现象，这样，在利用更新后的损失函数，确定当次模型训练的损失值后，对模型的超参数进行更新，使得越难的类别损失占比越大，越简单的类别损失占比越小，从而提高了模型训练效果。

摘要： 本发明涉及一种基于质量损失函数的残差控制图经济设计方法，本发明有效解决现有的质量控制图在对自相关过程进行监控时无法满足在确保产品质量的基础上同时对产品的成本效应进行监控的问题；解决的技术方案包括：通过质量损失函数建立的经济模型来降低产品成本、提高产品质量，对经济模型用遗传算法求解，确定控制图设计参数的最优组合，并对结果进行灵敏度分析，讨论各参数对控制图经济效果的影响，以指导控制图参数的选择，使得生产过程中单位时间内成本最小，从而在提高产品质量的同时降低生产成本。

摘要： 本发明公开了一种基于前馈神经网络与感知损失函数的图像超分辨率重建方法，包括如下步骤：(1)基于ResNet和SRGAN，设计残差块，作为前馈卷积神经网络的核心部分；(2)将图像输入生成网络，得到前馈卷积神经网络的输出；(3)将前馈卷积神经网络的输出与目标图像共同输入vgg16网络模型；(4)通过感知损失函数衡量二者之间的差距；(5)通过对vgg16网络和感知损失函数的模型进行大量数据训练改变前馈网络中的参数，使损失降低。本发明能够在图像风格转换以及超分辨率重建上实现比较好的画面效果和相对较快的训练速度。