meta_focal_loss 使用焦点损失的自适应权重所需的环境如下：Linux Python 3.8 PyTorch 1.7.1 Torchvision 0.8.2

【优化求解】基于自适应权重和Levy飞行的改进鲸鱼优化算法matlab源码.md

基于自适应权重的RFCM聚类算法.pdf

传统的基于RGB和骨骼特征的行为识别算法,普遍存在两种特征互补性不足及视频关键时序性不强等问题。为解决这一问题,提出一种自适应融合RGB和骨骼特征的行为识别算法。首先,面向RGB图像和骨骼图像,联合双向长短时记忆(LSTM)网络和自注意力机制提取两者的时空特征;然后,构建自适应权重计算网络(AWCN),并以两者的空间特征为输入计算出自适应权重;最后,利用自适应权重得到上述时空特征的融合特征,实现了最终的动作分类。通过在Penn Action、JHMDB和NTU RGB-D人体行为数据集上与现有的方法进行比较,实验结果表明,本文算法有效地提高了行为识别精度。

自适应权重的粒子群算法

粒子群算法，又称粒子群优化算法（Partical Swarm Optimization），缩写为 PSO， 是近年来发展起来的一种新的进化算法（Evolutionary Algorithm - EA），由Eberhart 博士和kennedy 博士于1995年提出，其源于对鸟群捕食的行为研究。

用粒子群算法改进蝙蝠算法,引入自适应权重,具有很好的收敛速度和收敛精度