CN114548269A - 基于Focal-EIOU的YOLOv4目标检测方法 - Google Patents
基于Focal-EIOU的YOLOv4目标检测方法 Download PDFInfo
- Publication number
- CN114548269A CN114548269A CN202210160471.3A CN202210160471A CN114548269A CN 114548269 A CN114548269 A CN 114548269A CN 202210160471 A CN202210160471 A CN 202210160471A CN 114548269 A CN114548269 A CN 114548269A
- Authority
- CN
- China
- Prior art keywords
- eiou
- focal
- training
- steps
- learning rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Focal‑EIOU的YOLOv4目标检测算法包括如下步骤:本发明训练过程采用了平滑标签以及余弦退火算法优化学习率,并基于CIOU的预测框损失函数存在的问题,采用Focal‑EIOU损失函数代替CIOU进行网络训练,能够加速收敛,使目标定位效果更好。利用迁移学习的思想,将训练分为两个阶段,分别是冻结阶段和解冻阶段,这一的训练方式有利于加快训练速度,也可以在训练初期防止权值被破坏。
Description
技术领域
本发明涉及人工智能图像识别技术领域,具体而言涉及一种基于Focal-EIOU的YOLOv4目标检测方法。
背景技术
YOLO算法作为当前主流的目标检测算法,从YOLOv1衍生到现在的YOLOv5,其中检测效果最好的则是YOLOv4,而YOLOv4目标检测算法中的边界框损失函数CIOU存在的问题影响了收敛速度,公式中的υ只反映了纵横比的差异,而不是宽高分别与其置信度的真实差异,所以有时会阻碍模型有效的优化相似性;且无法解决存在的样本质量不平问题。
专利号为CN113609926A的发明中提及一种基于泛化IOU的改进损失函数的I-YOLOv4算法,将IoU作为训练指标泛化到损失函数之中,提出了一种基于泛化IOU的改进损失函数的I-YOLOv4算法,但该发明主要研究密集区域内遮挡目标检测问题,不涉及收敛速度和样本质量不平的技术问题。
发明内容
本发明针对现有技术中的不足,提供一种基于Focal-EIOU的YOLOv4目标检测方法,能够提高收敛速度,使目标检测定位效果更好。
为实现上述目的,本发明采用以下技术方案:
一种基于Focal-EIOU的YOLOv4目标检测方法,所述目标检测方法包括以下步骤:
S1,对样本标签进行平滑处理;
S2,根据余弦退火算法优化学习率;
S3,基于YOLOv4网络构建目标检测模型,采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数;
S4,利用迁移学习思想,将训练分为两个阶段,分别是冻结阶段和解冻阶段,进行网络训练;
在网络训练时,采用的余弦退火学习率先模拟余弦函数快速下降,使目标检测模型迅速踏入局部最优点,保存局部最优点的模型;其次开启热重启,使学习率线性上升至一个较大值,以逃离当前的局部最优点,并寻找新的最优点;周期性重复上述过程以加速收敛。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S1中,对样本标签进行平滑处理的过程包括以下步骤:
S11,对于二分类样本,设训练样本为(xi,yi),其中yi为样本标签;当采用交叉熵来描述损失函数时,对于每一个样本i,损失函数为:
S12,经过标签随机化之后,新标签有λ的概率与原标签不同,有1-λ的概率与原标签相同;采用随机化新标签的损失函数有1-λ的概率与损失函数Li相同,有λ的概率为:
S13,将公式进行加权平均后得到新公式:
y′i=-λ(1-yi)-(1-λ)yi;
S14,当输入标签为0时,用近似数λ进行替换;当输入标签为1时,用近似数1-λ进行替换:
进一步地,步骤S2中,根据平滑处理后的样本标签,优化得到余弦退火学习率的过程包括以下步骤:
S21,设训练epoch为Ep、训练批次为Bs、预热期为w_epoch、预先设置学习率为ηbase、最大学习率为ηmax、最小学习率为ηmin、训练样本数为Sc;
S22,根据下述公式,求出初始化总步长Stepstotal以及预热步长Stepswarmup:
Stepstotal=(Ep×Sc)/Bs
Stepswarmup=(w×Sc)/Bs;
S23,在每次重启之后更新当前执行的步数Stepglobal,并记录当前学习率,并进行更新学习率:
如果Stepsglobal<Stepswarmup,根据如下公式计算线性增长的学习率ηwarmup:
如果Stepsglobal≥Stepswarmup,根据如下公式计算线性增长的学习率ηwarmup:
S24,计算余弦退火的学习率:
ηt=min(ηt,ηmin)。
进一步地,步骤S3中,采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数的过程包括以下步骤:
S31,采用focal loss重新衡量EIOU损失以得到Focal-EIOU:
LFocal-EIOU=IOUγLEIOU
其中IOU和γ是控制异常点抑制程度的参数,IOU=|a∩b|/|a∪b|,a与b分别为真实框和预测框的面积;γ值越大,对硬实例的抑制作用越强,收敛速度越慢;LEIOU是EIOU的损失函数公式,直接对w和h的预测结果进行惩罚;
S32,采用每批加权之和来规范损失,则Focal-EIOU计算公式为:
进一步地,步骤S4中,利用迁移学习思想,将训练分为两个阶段,分别是冻结阶段和解冻阶段,进行网络训练的过程包括以下步骤:
在前50个epoch冻结主干网络,对不冻结的网络层进行微调,参与反向传播中的梯度更新,学习具有通用性的浅层特征;在后50个epoch放开冻结层,对全部层利用反向传播算法进行训练,学习具有更针对性以及更高级的抽象特征,得到最终合适的参数矩阵和偏置向量。
本发明的有益效果是:
本发明公开了一种基于Focal-EIOU的YOLOv4目标检测方法,采用Focal-EIOU损失函数代替CIOU进行网络训练,能够加速收敛,使目标定位效果更好;同时,利用迁移学习的思想,将训练分为两个阶段,分别是冻结阶段和解冻阶段,有利于加快训练速度,也可以在训练初期防止权值被破坏。
附图说明
图1为本发明实施例的学习率变化曲线示意图。
图2为本发明实施例的FocalL1 loss的的曲线和梯度曲线示意图。
图3为本发明实施例的基于CIOU的训练损失函数曲线示意图。
图4为本发明实施例的基于Focal-EIOU的训练损失函数曲线示意图。
图5为本发明实施例的检测效果对比图。
图6为本发明的基于Focal-EIOU的YOLOv4目标检测方法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
图6为本发明的基于Focal-EIOU的YOLOv4目标检测方法流程图。参见图6,该目标检测方法包括以下步骤:
S1,对样本标签进行平滑处理。
S2,根据余弦退火算法优化学习率。
S3,基于YOLOv4网络构建目标检测模型,采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数。
S4,利用迁移学习思想,将训练分为两个阶段,分别是冻结阶段和解冻阶段,进行网络训练。
在网络训练时,采用的余弦退火学习率先模拟余弦函数快速下降,使目标检测模型迅速踏入局部最优点,保存局部最优点的模型;其次开启热重启,使学习率线性上升至一个较大值,以逃离当前的局部最优点,并寻找新的最优点;周期性重复上述过程以加速收敛。
下面结合附图对本实施例的目标检测方法的改进例做详细的阐述。
(一)使用平滑标签以及余弦退火优化学习率
标签平滑采用如下思路解决这个问题:在训练时即假设标签可能存在错误,避免过度相信训练样本的标签。以二分类样本为例,训练样本为(xi,yi),其中yi为样本标签。当采用交叉熵来描述损失函数时,对于每一个样本i,损失函数为:
经过标签随机化之后,新标签有λ的概率与原标签不同,有1-λ的概率与原标签相同。采用随机化新标签的损失函数有1-λ的概率与损失函数Li相同,有λ的概率为:
将公式进行加权平均后可以得到新公式:
y′i=-λ(1-yi)-(1-λ)yi;
当输入标签为0时,用一个比较小的近似数λ进行替换;当输入标签为1时,用近似数1-λ进行替换:
由前述公式可知,在交叉熵模型中,因为模型会不断增加权值w,使得预测输出尽可能逼近0或1而不能达到。如果将标签0和1分别替换为λ和1-λ,当模型的输出达到这个值之后就不会继续优化,从而达到标签平滑的效果。
YOLOv4采用的余弦退火学习率随着epoch的增加,学习率先模拟余弦函数快速下降,再线性上升,不断重复该过程。余弦退火的学习率急速下降,所以模型会迅速踏入局部最优点,并保存局部最优点的模型,然后开启热重启(Warm restart),学习率重新恢复到一个较大值,逃离当前的局部最优点,并寻找新的最优点,周期性重复上述过程。
余弦退火学习率的计算步骤如下:
(1)设置参数:训练epoch为Ep、训练批次为Bs、预热期为w_epoch、预先设置学习率为ηbase、最大学习率为ηmax、最小学习率为ηmin、训练样本数为Sc。
(2)求出初始化总步长Stepstotal以及预热步长Stepswarmup:
Stepstotal=(Ep×Sc)/Bs;
Stepswarmup=(w×Sc)/Bs。
(3)重复:在每次重启之后更新当前执行的步数Stepglobal,并记录当前学习率,并进行更新学习率。
如果Stepsglobal<Stepswarmup,根据下述公式计算线性增长的学习率ηwarmup:
如果Stepsglobal≥Stepswarmup,根据下述公式计算线性增长的学习率ηwarmup:
计算余弦退火的学习率:
ηt=min(ηt,ηmin);
当设置学习率的最小值为10-5,且每10个epoch变化一次。如果总epoch为50时,学习率的变化曲线如图1所示。
(二)采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数
由于公式中的υ只反映了纵横比的差异,而不是宽高分别与其置信度的真实差异,所以有时会阻碍模型有效的优化相似性;且CIOU无法解决存在的样本质量不平问题。因此,针对以上问题,采用Focal-EIOU替换原CIOU边界框损失函数。
EIOU提出直接对w和h的预测结果进行惩罚的损失函数,其公式为:
其中Cω和Ch是两个矩形闭包的宽度和高度,b为预测框的中心点,bgt为真实框的中心点,w、h分别为预测框的宽和高,wgt,hgt分别为真实框的宽与高。
EIOU将损失函数分为三部分:IOU损失、距离损失Ldis以及方向损失Lasp。这样,就可用保留这次损失的完整特征,EIOU中对w和h的预测结果进行惩罚代替了CIOU中的αυ为长宽比的惩罚项。同时,EIOU损失直接最小化了目标框和锚框的宽度和高度的差异,使收敛速度更快,定位效果更好。并且加入Focal聚焦优质的锚框,解决样本不平衡问题。
Focal Loss是用来解决二分类问题中类别不平衡的交叉熵损失函数的改进版,表示为:
FocalLoss=-αt(1-pt)γlog(pt)
其中αt用于解决正负样本不平衡的问题,γ用于解决难易样本不平衡的问题。
FocalL1 loss是借鉴Focal Loss的思想,但是是用于解决回归问题的不平衡的问题。在物体检测领域,研究认为高低质量样本是影响模型收敛的一个重要因素。因为在目标检测中,大部分根据锚点得到的预测框都和ground truth的IoU不大,这一部分叫做低质量样本,而在低质量样本上的训练容易造成损失值的剧烈波动。而FocalL1 loss的提出目标便是解决高低质量样本类别不平衡的问题。
FocalL1 loss的梯度如下:
其中β用于控制曲线的弧度,α用于无论β值为何,都可以将梯度的值控制到[0,1]。下面阐述β的分段方式的原因以及α和β的关系。
首先,可以得到g(x)的一阶和二阶导数:
g′(x)=-α(ln(βx)+1);
可以看出g(x)的二阶导数恒为负数,因此g(x)是个上凸函数,因此在g′(x)处拥有全局最大值。因此可以根据一阶导数为0的情况推出β和x的关系:
因为x*的范围是(0,1],因此可以推出的β范围是[1/e,+∞];同时也要保证βx∈(0,1],因此β∈[1/e,1]。
根据g(x),对其求积分可以得到FocalL1 loss:
积分过程如式:
其中C是一个常数,为了保证损失函数的连续性,将x=1赋值,得到C=(2αlnβ+α)/4。
FocalL1 Loss的函数曲线和梯度曲线分别如图2(a)和图2(b)所示。
从图2(b)中可以看出,FocalL1 loss可以根据β的值控制梯度值开始下降的位置并且在x=1处下降到常数值。FocalL1 loss通过给低质量样本更小的梯度来实现对低质量样本的抑制。
FocalL1 loss通过计算(x,y,w,h)的位移偏差之和来计算回归损失,表示为:
在bbr中,存在训练样本不平衡的问题,即由于图像中目标对象的稀疏性,具有小回归误差的高质量样本(锚定框)的数量远远少于低质量样本(离群值)。最近的工作表明,异常值会产生过大的梯度,对训练过程有害。因此,使高质量的样本为网络训练过程提供更多的梯度就显得尤为重要。研究发现将focal损失直接应用于EIOU损失,会导致高质量样本的梯度降低,这不适用于EIOU损失,并不能改善EIOU损失的性能。使用focal loss来重新衡量EIOU损失并得到Focal-EIOU,即下式所示:
LFocal-EIOU=IOUγLEIOU;
其中IOU=|a∩b|/|a∪b|和γ是控制异常点抑制程度的参数,a与b分别为真实框和预测框的面积。其中γ值越大,对硬实例的抑制作用越强,收敛速度越慢。在本实例中,设置γ=0.5可以达到最好的平衡。
为了避免在早期训练阶段由于重新加权并导致收敛速度慢的问题,Focal-EIOU使用每批加权之和来规范损失。Focal-EIOU计算公式如下:
(3)网络训练
利用迁移学习思想,将训练分为两个阶段,分别是冻结阶段和解冻阶段,进行网络训练,前50个epoch冻结主干网络,对不冻结的网络层进行微调,参与反向传播中的梯度更新,学习具有通用性的浅层特征。后50个epoch放开冻结层,对全部层利用反向传播算法进行训练,对训练目标进行更具有针对性以及更高级的抽象特征,得到最终合适的参数矩阵和偏置向量,训练超参数设计如表1所示。
表1训练超参数设计
迁移学习思想的训练方式有利于加快训练速度,也可以在训练初期防止权值被破坏。
最后为了评估本发明提出的一种基于Focal-EIOU的YOLOv4目标检测算法,使用自制数据集进行训练,从图3与图4的损失函数曲线图可看出,基于Focal-EIOU的边界框损失函数改善了基于CIOU的边界框损失函数的loss图中由于batch_size小产生了震荡,并且加速了收敛。且由于Focalloss使回归过程专注于高质量锚框,能够使得目标检测定位效果更好,如图5检测对比图所示。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (5)
1.一种基于Focal-EIOU的YOLOv4目标检测方法,其特征在于,所述目标检测方法包括以下步骤:
S1,对样本标签进行平滑处理;
S2,根据余弦退火算法优化学习率;
S3,基于YOLOv4网络构建目标检测模型,采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数;
S4,利用迁移学习思想,将训练分为两个阶段,分别是冻结阶段和解冻阶段,进行网络训练;
在网络训练时,采用的余弦退火学习率先模拟余弦函数快速下降,使目标检测模型迅速踏入局部最优点,保存局部最优点的模型;其次开启热重启,使学习率线性上升至一个较大值,以逃离当前的局部最优点,并寻找新的最优点;周期性重复上述过程以加速收敛。
2.根据权利要求1所述的基于Focal-EIOU的YOLOv4目标检测方法,其特征在于,步骤S1中,对样本标签进行平滑处理的过程包括以下步骤:
S11,对于二分类样本,设训练样本为(xi,yi),其中yi为样本标签;当采用交叉熵来描述损失函数时,对于每一个样本i,损失函数为:
S12,经过标签随机化之后,新标签有λ的概率与原标签不同,有1-λ的概率与原标签相同;采用随机化新标签的损失函数有1-λ的概率与损失函数Li相同,有λ的概率为:
S13,将公式进行加权平均后得到新公式:
y′i=-λ(1-yi)-(1-λ)yi;
S14,当输入标签为0时,用近似数λ进行替换;当输入标签为1时,用近似数1-λ进行替换:
3.根据权利要求1所述的基于Focal-EIOU的YOLOv4目标检测方法,其特征在于,步骤S2中,根据余弦退火算法优化学习率的过程包括以下步骤:
S21,设训练epoch为Ep、训练批次为Bs、预热期为w_epoch、预先设置学习率为ηbase、最大学习率为ηmax、最小学习率为ηmin、训练样本数为Sc;
S22,根据下述公式,求出初始化总步长Stepstotal以及预热步长Stepswarmup:
Stepstotal=(Ep×Sc)/Bs
Stepswarmup=(w×Sc)/Bs;
S23,在每次重启之后更新当前执行的步数Stepglobal,记录当前学习率,并进行更新学习率:
如果Stepsglobal<Stepswarmup,根据如下公式计算线性增长的学习率ηwarmup:
如果Stepsglobal≥Stepswarmup,根据如下公式计算线性增长的学习率ηwarmup:
S24,计算余弦退火的学习率:
ηt=min(ηt,ηmin)。
4.根据权利要求1所述的基于Focal-EIOU的YOLOv4目标检测方法,其特征在于,步骤S3中,采用Focal-EIOU替换原YOLOv4网络中的CIOU边界框损失函数的过程包括以下步骤:
S31,采用focal loss重新衡量EIOU损失以得到Focal-EIOU:
LFocal-EIOU=IOUγLEIOU
其中IOU和γ是控制异常点抑制程度的参数,IOU=|a∩b|/|a∪b|,a与b分别为真实框和预测框的面积;γ值越大,对硬实例的抑制作用越强,收敛速度越慢;LEIOU是EIOU的损失函数公式,直接对w和h的预测结果进行惩罚;
S32,采用每批加权之和来规范损失,则Focal-EIOU计算公式为:
5.根据权利要求1所述的基于Focal-EIOU的YOLOv4目标检测方法,其特征在于,步骤S4中,利用迁移学习思想,将训练分为两个阶段,分别是冻结阶段和解冻阶段,进行网络训练的过程包括以下步骤:
在前50个epoch冻结主干网络,对不冻结的网络层进行微调,参与反向传播中的梯度更新,学习具有通用性的浅层特征;在后50个epoch放开冻结层,对全部层利用反向传播算法进行训练,学习具有更针对性以及更高级的抽象特征,得到最终合适的参数矩阵和偏置向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160471.3A CN114548269A (zh) | 2022-02-22 | 2022-02-22 | 基于Focal-EIOU的YOLOv4目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160471.3A CN114548269A (zh) | 2022-02-22 | 2022-02-22 | 基于Focal-EIOU的YOLOv4目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548269A true CN114548269A (zh) | 2022-05-27 |
Family
ID=81677310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210160471.3A Pending CN114548269A (zh) | 2022-02-22 | 2022-02-22 | 基于Focal-EIOU的YOLOv4目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548269A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
-
2022
- 2022-02-22 CN CN202210160471.3A patent/CN114548269A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Closing the generalization gap of adaptive gradient methods in training deep neural networks | |
Wu et al. | Node selection toward faster convergence for federated learning on non-iid data | |
Hessel et al. | Rainbow: Combining improvements in deep reinforcement learning | |
CN110321811B (zh) | 深度逆强化学习的无人机航拍视频中的目标检测方法 | |
CN114548269A (zh) | 基于Focal-EIOU的YOLOv4目标检测方法 | |
CN115410103B (zh) | 一种基于联邦学习的大坝缺陷识别模型快速收敛方法 | |
CN109242878A (zh) | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 | |
Istrate et al. | Incremental training of deep convolutional neural networks | |
Yang et al. | Efficient average reward reinforcement learning using constant shifting values | |
Lu et al. | Beyond network pruning: a joint search-and-training approach | |
Cai et al. | On-device image classification with proxyless neural architecture search and quantization-aware fine-tuning | |
CN114757322A (zh) | 一种多样搜索策略离散粒子群算法 | |
CN111768028A (zh) | 一种基于深度强化学习的gwlf模型参数调节方法 | |
Nawrot et al. | Dynamic memory compression: Retrofitting llms for accelerated inference | |
Park et al. | Layer-wise auto-weighting for non-stationary test-time adaptation | |
Liu et al. | An improved ant colony optimization algorithm based on pheromone backtracking | |
CN111553926A (zh) | 一种基于二维Tsallis灰度熵快速迭代的阈值分割方法 | |
Fan et al. | Service migration in mobile edge computing based on reinforcement learning | |
CN114995106B (zh) | 基于改进小波神经网络的pid自整定方法、装置和设备 | |
CN108459501A (zh) | 一种网络环境下的基于ga-powell算法的约束广义预测控制器 | |
Cai | Sa-gd: Improved gradient descent learning strategy with simulated annealing | |
Rai et al. | Image edge detection using modified ant colony optimization algorithm based on weighted heuristics | |
WO2022137244A1 (en) | Methods and apparatuses of determining for controlling a multi-agent reinforcement learning environment | |
CN116073403B (zh) | 一种模糊逻辑控制驱动下的风电功率波动平抑方法 | |
Zheng et al. | AD-DARTS: Adaptive Dropout for Differentiable Architecture Search |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |