论文完整总览目录。

PSPNet(Pyramid Scene Parsing Network)模型的提出是因为基于FCN的模型的主要问题是缺乏合适的策略来利用全局场景中的类别线索分割结果不够精细并且没有考虑上下文，即FCN模型注重的是图像的分辨率恢复问题，而PSPNet模型即是关注考虑上下文，获得图像的全局的视野。PSPNet模型主要是通过利用不同大小的池化来增大感受野的(Receptive Field)，通过增大感

PSPNet(Pyramid Scene Parsing Network)模型的提出是因为基于FCN的模型的主要问题是缺乏合适的策略来利用全局场景中的类别线索分割结果不够精细并且没有考虑上下文，即FCN模型注重的是图像的分辨率恢复问题，而PSPNet模型即是关注考虑上下文，获得图像的全局的视野。PSPNet模型主要是通过利用不同大小的池化来增大感受野的(Receptive Field)，通过增大感

电力系统负荷预测的精度对于整个电力系统的可靠性运行来说是非常重要的。电力负荷预测准确度的提高，不仅保证了电力系统负荷预测的可靠性，还能够保证社会电力能源例如企业生产和社会用电稳定供应。电力系统负荷预测还能对于电网改造等计划的制定具有良好的参考性，能够提高电网公司的经济效益，达到节能减排，降低成本的效果，同时还能提高电力系统的经济效益和社会效益。

5.1本实验使用的数据集是UA-DETRAC 数据集，它是一个具有挑战性的真实多目标检测和多目标跟踪基准。该数据集由10小时的视频组成，这些视频由中国北京和天津的24个不同地点使用Cannon EOS 550D摄像机拍摄。视频以每秒 25 帧 （fps） 的速度录制，分辨率为 960×540 像素。UA-DETRAC 数据集中有超过 140 000 个帧，手动标注了 8250 辆车，总共有 121

5.1本实验使用的数据集是UA-DETRAC 数据集，它是一个具有挑战性的真实多目标检测和多目标跟踪基准。该数据集由10小时的视频组成，这些视频由中国北京和天津的24个不同地点使用Cannon EOS 550D摄像机拍摄。视频以每秒 25 帧 （fps） 的速度录制，分辨率为 960×540 像素。UA-DETRAC 数据集中有超过 140 000 个帧，手动标注了 8250 辆车，总共有 121

本文的数据是来自THUCTC(THU Chinese Text Classification)，它是由清华大学自然语言处理实验室推出的中文文本分类工具包，能够自动高效地实现用户自定义的文本分类语料的训练、评测、分类功能。它的大小为1.56GB，为14个分类，一共有836075个数据（一个数据为一个txt文件），其中类别对应的数据量可见下图。通过上述的对比，我们可以发现在10中分类模型中，基于卷积神

数据集来自公开的安全帽Helmet Detection数据集，总共分为两类，分别为“head”和“helmet”，其中未佩戴安全帽的人使用“head”来表示，而佩戴安全帽的人用“helmet”标记，其中包含了5000张已经标注好的规格大小都为415×416的图片以及对应的标签xml文件，xml文件中记录了对应图片的标注框的个数、边界值以及类别，即如图4-1所示。本次数据集以7：2：1比例分别划分3

另外LightGBM通过使用基于直方图的决策树算法，只保存特征离散化之后的值，代替XGBoost使用exact算法中使用的预排序算法（预排序算法既要保存原始特征的值，也要保存这个值所处的顺序索引），减少了内存的使用，并加速的模型的训练速度。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器，Boosting，也称为增强

PSPNet(Pyramid Scene Parsing Network)模型的提出是因为基于FCN的模型的主要问题是缺乏合适的策略来利用全局场景中的类别线索分割结果不够精细并且没有考虑上下文，即FCN模型注重的是图像的分辨率恢复问题，而PSPNet模型即是关注考虑上下文，获得图像的全局的视野。PSPNet模型主要是通过利用不同大小的池化来增大感受野的(Receptive Field)，通过增大感