基于优化的Inception ResNet A模块与Gradient Boosting的人群计数方法

针对人群计数问题,基于优化Inception-ResNet-A模块,使用集成学习中的Gradient Boosting方法提出了一种可用于稀疏人群和密集人群的人群计数方法,并给出此方法实现的具体细节.通过在三个公开数据集和真实场景(含光照和视角变化)中进行测试,检验了该方法对于光照、人群密度、视角等变化的鲁棒性.实验结果表明,该方法对于以上变化具有较强的鲁棒性,并且相比于之前的人群计数方法在准确性和稳定性方面具有更好的性能.     

基于随机森林的潜在k近邻算法及其在基因表达数据分类中的应用

随机森林被广泛应用于包括癌症诊断在内的生物信息学领域. 从自适应k近邻的角度分析了随机森林的分类机理,分析其存在的信息损失, 据此提出一种新的投票机制,称为基于随机森林的潜在k近邻算法RF-PN,能够充分利用决策树上的OOB样本信息, 显著改善随机森林的分类性能.6个癌症基因表达数据集上的对比实验表明,RF-PN的分类准确率优于原算法.     

基于优化的Inceptio-ResNet-A模块与Gradient Boosting的人群计数方法

针对人群计数问题,基于优化InceptionResNetA模块,使用集成学习中的Gradient Boosting方法提出了一种可用于稀疏人群和密集人群的人群计数方法, 并给出此方法实现的具体细节.通过在三个公开数据集和真实场景（含光照和视角变化）中进行测试,检验了该方法对于光照、人群密度、视角等变化的鲁棒性.实验结果表明,该方法对于以上变化具有较强的鲁棒性,并且相比于之前的人群计数方法在准确性和稳定性方面具有更好的性能.