检索结果-内蒙古大学图书馆

作者：赖薇国立台湾师范大学

学位级别：硕士

序列推荐系统的目的是根据使用者以往与项目互动的序列资讯，预测使用者可能感兴趣的下个互动项目主动进行推荐。本论文提出可套用于 GRU/bi- GRU/Caser 类神经网路模型的类别感知之多任务学习框架，利用项目的类别特征做为项目的上层... 详细信息

序列推荐系统的目的是根据使用者以往与项目互动的序列资讯，预测使用者可能感兴趣的下个互动项目主动进行推荐。本论文提出可套用于 GRU/bi- GRU/Caser 类神经网路模型的类别感知之多任务学习框架，利用项目的类别特征做为项目的上层资讯，辅助模型预测使用者未互动过的下个项目预测任务。此框架以同时学习预测下个互动类别及下个互动项目为目标，在项目模组中将项目互动序列经过类神经网路学习到项目层级行为表示法，再融合类别模组所学习到的类别层级行为表示法预测使用者下个互动项目。本论文所提出的方法，分别在 Foursquare 及 MovieLens 两种不同序列强度的资料集上进行实验，预测命中率的评估结果显示：本论文提出的类别感知多任务学习框架在预测使用者下个未互动过的项目，相较只以单任务类神经网路模型的效能，在 Foursquare 资料集 Hit@10 最高可提升10.73%；MovieLens 资料集 Hit@10最高可提升7.29%。

关键词：推荐系统序列预测多任务学习框架

来源：评论

学校读者我要写书评

暂无评论

将行为依赖融入多任务学习的个性化推荐模型

引用

计算机科学与探索 2024年第1期18卷 231-243页

作者：顾军华李宁宁王鑫鑫张素琪河北工业大学人工智能与数据科学学院天津300401 河北省大数据计算重点实验室(河北工业大学) 天津300401 天津商业大学理学院天津300134 天津商业大学信息工程学院天津300134

多种类型行为数据的引入缓解了协同过滤算法存在的数据稀疏和冷启动问题,在推荐领域被广泛研究和应用。尽管当前对多行为推荐的研究已经取得很大进展,但仍然存在以下问题:未能全面捕获行为之间复杂的依赖关系;忽略了行为特征与用户和项... 详细信息

多种类型行为数据的引入缓解了协同过滤算法存在的数据稀疏和冷启动问题,在推荐领域被广泛研究和应用。尽管当前对多行为推荐的研究已经取得很大进展,但仍然存在以下问题:未能全面捕获行为之间复杂的依赖关系;忽略了行为特征与用户和项目的相关性。这导致学习到的特征向量无法准确表达用户的兴趣偏好,使得推荐结果存在偏差。为了解决以上问题,提出了将行为依赖融入多任务学习的个性化推荐模型(BDMR),将行为之间复杂的依赖关系分为特征相关性和时序相关性。首先,设置用户个性化行为向量,利用图神经网络处理多个单行为交互图,联合用户、项目和行为特征聚合高阶邻域信息,结合注意力机制学习行为之间的特征相关性;其次,将行为特征和项目特征构成的交互序列输入长短期记忆网络,捕获行为之间的时序相关性;最后,将个性化行为向量融入多任务学习框架获取更加准确的用户、行为和项目特征。为了验证提出模型的性能,在三个真实数据集上进行对比实验,在Yelp数据集上,相较于最优基线,HR和NDCG分别提升了1.5%和2.9%;在ML20M数据集上,HR和NDCG分别提升了2.0%和0.5%;在Tmall数据集上,HR和NDCG分别提升了25.6%和30.2%。实验结果表明,该模型优于其他的基准模型。

关键词：多行为推荐图神经网络循环神经网络多任务学习框架

来源：评论

学校读者我要写书评

暂无评论

面向下游视觉任务的水下图像增强技术研究

面向下游视觉任务的水下图像增强技术研究

引用

作者：张帆广西大学

学位级别：硕士

视觉感知是海洋生态研究、水下机器人工程作业和资源探测等领域的重要途径。水下图像受光线、散射等影响而退化,严重影响水下环境视觉感知任务的开展。现有的水下图像增强算法主要集中在场景恢复和对比度增强等方面。虽然视觉效果得到... 详细信息

视觉感知是海洋生态研究、水下机器人工程作业和资源探测等领域的重要途径。水下图像受光线、散射等影响而退化,严重影响水下环境视觉感知任务的开展。现有的水下图像增强算法主要集中在场景恢复和对比度增强等方面。虽然视觉效果得到有效改善,大量实验表明,增强后的图像可能降低后续视觉任务的准确性。针对这一问题,本文选取两个典型的视觉任务:目标检测与分割,提出了基于循环生成对抗网络和对比学习的多任务学习算法,该算法可以在没有成对图像的情况下生成具有清晰视觉特征的水下图像,提升了下游视觉任务的性能,且有效降低了对数据集的要求。主要研究内容如下: (1)针对水下图像增强与不同下游任务优化目标不同的问题,本文提出水下图像增强与目标检测、水下图像增强与分割两种多任务学习框架,在增强网络中添加了检测或分割辅助任务,通过添加目标语义信息作为训练约束,利用辅助任务回传的梯度信息指导图像增强过程,既生成视觉友好图像,又提高目标检测和分割的精度,实现面向下游任务的图像增强。 (2)针对增强图像可能降低目标检测精度的问题,本文对目标区域进行有针对性地增强,在生成器的残差块与目标检测任务的区域生成网络中引入对比学习机制,筛选出包含更多目标区域的候选框作为图像块,突出目标并减少背景干扰,通过学习样本之间的相似性和差异性,使生成的图像在视觉效果上更真实。这种针对性能够提高目标的可见性,从而有助于目标检测和分割算法更加准确地识别和定位目标。本文在EUVP、U45、UIEB、SUQID和UCCS数据集上进行了增强算法验证,在主观视觉上可以有效修正颜色失真问题,同时保留了原始图像及目标的结构纹理;在客观指标上,峰值信噪比最高达到24.57d B,结构相似度达到0.88。在RUOD、URPC2020、RUIE和Aquarium数据集上进行了目标检测算法验证,图像增强前后在Faster R-CNN、YOLOv7、YOLOv8、DETR和SSD等算法上平均检测精度均有提升。 (3)针对图像增强任务不一定有助于后续目标分割任务执行的问题,本文通过语义信息引导增强网络更加关注目标相关信息,加强图像增强与分割之间目标突出的一致性,增强图像目标与背景区分度,改善图像边缘模糊。进而改善增强后图像的特征表达。在SUIM数据集上进行了分割算法验证。图像增强前后在Mask R-CNN算法上像素精度和均值交并比分别提升15%和31%。

关键词：对比学习水下图像增强目标检测目标分割多任务学习框架循环生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

低标注成本的高精度医学图像分割方法研究

低标注成本的高精度医学图像分割方法研究

引用

作者：聂秀萍浙江大学

学位级别：硕士

医学图像不仅为医生提供了疾病诊断、治疗和预后的直接依据,同时在智能医疗机器人环境感知中也扮演着关键角色。医学图像分割是一种自动识别和定位目标器官及病灶,并将其边界轮廓勾画出来的技术。这对于术前规划、病灶影像学分期以及高... 详细信息

医学图像不仅为医生提供了疾病诊断、治疗和预后的直接依据,同时在智能医疗机器人环境感知中也扮演着关键角色。医学图像分割是一种自动识别和定位目标器官及病灶,并将其边界轮廓勾画出来的技术。这对于术前规划、病灶影像学分期以及高质量的机器人辅助手术操作至关重要。然而,与自然图像不同,医学图像的标注依赖于丰富的医学经验和大量时间成本,这导致获取足够的监督数据变得更加困难,使医学图像的分割任务更具挑战性。为了解决这一问题,本文提出了一种通用的低标注成本的医学图像分割框架,并针对不同诊断难度的单一大病灶和多发小病灶,分别提出了两种有效的多类型标签融合分割方法,以最大程度降低标注成本,同时实现最佳分割性能。以下是本文的主要研究内容和成果: (1)为了降低训练所需的分割标签数量,同时提升医学图像的分割精度,本文提出了一种基于混合监督学习和度量学习的通用医学图像分割框架。现有混合监督学习方法通常采用多任务学习框架,然而多个任务之间可能相互干扰,导致提取的共享图像特征不一定是最优的,存在任务间不一致性问题。此外,由于医学图像中病灶区域(前景特征)与周围区域(背景特征)的组织纹理接近,难以区分,进一步导致分割任务自身存在任务间不一致性问题。为解决上述问题,本文提出了全参数硬共享策略,充分利用多任务网络中的弱标签分支,以提升在强标签数量极少的情况下进行的分割任务性能。同时,提出了一个可学习向量,结合度量学习,使得医学图像的前景和背景特征在特征空间中更加容易区分。实验结果表明,该方法在仅使用单张分割标签进行训练的情况下,在Li TS数据集上达到了Dice等于82.88%的分割效果,成功通过优化网络结构降低了标注成本。 (2)针对大多数尺度变化小的单一大病灶或器官分割任务,本文基于(1)中的研究内容,提出了一种融合分类标签、医生交互点和少量分割标签的弱监督-交互-混合监督分割方法。该方法从两个方面有效降低整体标注成本并保证分割精度。首先,为解决单张分割标签标注成本高的问题,本文提出利用低成本的分类标签训练的弱监督网络,结合交互学习方法。在仅需要医生少量离散点标注的情况下,快速生成高质量的分割标签,用于后续的分割任务。其次,针对模型分割精度依赖大量强标签的问题,本文基于(1)中的研究内容,构建了一个有效融合分类标签和少量分割标签的多任务学习框架。充分利用低标注成本的分类任务,增强在分割标签数量较少时的分割性能。实验结果表明,该方法能够将标注成本降低至人工标注的8倍以上,实现了分割精度和标注成本的平衡。 (3)针对难度更大的多发小病灶分割任务,本文基于(1)中的研究内容,提出了一种有效融合检测标签和少量分割标签的多任务学习框架。为了克服小病灶的定位难题,本文提出了一种无需锚点设计的一阶段端到端的小目标检测网络,准确识别病灶区域,并将其传递给分割网络,降低了由背景干扰带来的分割难度。为了解决小病灶标注成本高的问题,本文充分利用低标注成本的检测任务,提升在分割标签数量较少时的分割性能。实验结果表明,该方法不仅在小病灶检测性能上明显优于对比方法,而且在比对比方法少20%的分割标签训练的情况下,达到甚至超过对比方法的分割性能。

关键词：医学图像分割标注成本混合监督学习多任务学习框架

来源：评论

学校读者我要写书评

暂无评论

人脸表情识别特征提取及分类判别方法的研究与实现

人脸表情识别特征提取及分类判别方法的研究与实现

引用

作者：周文彬北京交通大学

学位级别：硕士

表情是人类表达情感的基本方式,是非语言交流的重要手段。在日常交流中,人们可以通过对人脸表情准确、细致的分析,辨识出对方的心理,进行更加有效的沟通。随着计算机科学技术的不断发展,人机交互技术日益成为人工智能领域中研究的热点... 详细信息

表情是人类表达情感的基本方式,是非语言交流的重要手段。在日常交流中,人们可以通过对人脸表情准确、细致的分析,辨识出对方的心理,进行更加有效的沟通。随着计算机科学技术的不断发展,人机交互技术日益成为人工智能领域中研究的热点。而人脸表情识别作为人机交互技术的重要环节,因为其广泛的应用前景,收到了越来越广泛的关注。目前的人脸表情识别系统的识别准确率并不高,且对于现实场景下检测到的复杂人脸图像不能做出有效处理。本文将对人脸表情的特征提取及分类识别环节进行研究分析,并设计出新的人脸表情识别模型,从而实现人脸表情识别的高精度和高鲁棒性。由于近年来深度学习方法广泛应用于模式识别和分类任务,其中,卷积神经网络方法在图像分类和人脸识别领域展现出了强大的性能,适用于本文将要研究的表情提取及表情分类环节。因此,本文设计的人脸表情识别模型将在卷积神经网络的基础上,进行针对于提升人脸表情识别效果的改进。本文的具体工作和主要贡献如下:(1)由于不同的姿势、角度、照明、遮挡会在人脸表情获取时产生的额外冗余特征。为了避免利用卷积神经网络进行人脸表情识别时被这些冗余特征干扰,本文提出了一种基于多任务学习的人脸表情特征提取方法。利用面部特征点定任务对人脸表情识别特征提取任务的隐含促进作用,采用多任务学习框架,输入完整人脸样本图像,将人脸表情识别任务与面部特征点定位任务融入同一个卷积神经网络训练模型中,在进行特征提取后,对获取的全局高级特征进行初步的表情分类识别并获得样本图像中的面部特征点位置。(2)考虑到面部不同特征部位产生的局部特征是判断复杂表情的重要依据,本文将采用级联多网络框架。将人脸表情识别与面部特征点定位结合的多任务学习网络作为第一级网络进行初步的表情分类及特征点定位,在第二级网络中依据第一级网络的面部特征点定位结果,输入每个特征点定位附近的图像区域进行局部表情分类。最终通过将多级网络的输出融合来对表情进行准确的识别分类。(3)基于上述研究,本文设计了一套人脸表情识别系统。该系统在FER2013人脸表情数据库及JAFFE库上进行了多组对比实验。实验结果验证了本文提出方法的有效性。

关键词：人脸表情识别卷积神经网络多任务学习框架面部特征点定位级联多网络框架

来源：评论

学校读者我要写书评

暂无评论

基于双神经网络与对比学习的多行为推荐模型

基于双神经网络与对比学习的多行为推荐模型

引用

作者：李宁宁河北工业大学

学位级别：硕士

多行为数据的引入在一定程度上缓解了推荐系统中存在的数据稀疏和冷启动问题,因此多行为推荐算法在推荐领域被广泛研究和应用。尽管当前对多行为推荐的研究已经取得很大进展,但仍然存在以下两个问题:首先,多行为间的依赖关系是复杂的,... 详细信息

多行为数据的引入在一定程度上缓解了推荐系统中存在的数据稀疏和冷启动问题,因此多行为推荐算法在推荐领域被广泛研究和应用。尽管当前对多行为推荐的研究已经取得很大进展,但仍然存在以下两个问题:首先,多行为间的依赖关系是复杂的,并且因用户和项目而异,当前研究未能全面捕获用户和项目多行为间的复杂依赖关系;其次,目前推荐算法通过聚合交互图中多层邻域信息,捕获节点的高阶协同信息,但过多信息的引入容易引起过平滑问题,从而降低推荐性能。本文针对上述问题进行研究和分析,并提出以下解决方案: (1)为了全面捕获用户和项目多行为间的复杂依赖关系,本文提出基于双神经网络的多行为推荐模型。本文将多行为间复杂的依赖关系分为特征相关性和时序相关性,并利用图神经网络和循环神经网络分别学习行为间的特征相关性和时序相关性。首先,为不同用户设置不同行为向量,捕获用户个性化行为特征,利用图卷积网络学习不同行为下的用户和项目特征,然后结合自注意力机制学习行为之间的特征相关性;其次,利用循环神经网络处理用户多行为交互序列,结合注意力机制,捕获与待推荐项目相关的多行为间时序相关性;最后,将用户个性化行为向量融入多任务学习框架获取更加准确的用户、行为和项目特征。在Yelp、ML20M和Tmall三个真实数据集上进行对比实验,本模型相对于次优模型的HR@10分别提高了1.6%、2%和25.6%。 (2)为了缓解聚合多层邻域信息引起的过平滑问题,本文在基于双神经网络的多行为推荐模型基础上引入对比学习方法。首先,通过拉近当前用户与相似用户的距离,以及推远与相异用户的距离,过滤出因聚合多层邻域信息引入的冗余信息,缓解过平滑问题;其次,通过区分用户在不同行为下交互特征,以及在不同时间下交互特征的差异,加强用户个性化特征,进一步缓解过平滑问题。在IJCAI、ML20M和Tmall三个真实数据集上进行对比实验,本模型相对于次优模型的HR@10分别提高了2.5%、0.3%和4%。

关键词：多行为推荐图神经网络循环神经网络多任务学习框架对比学习

来源：评论

学校读者我要写书评

暂无评论

基于影像遗传学数据的多任务关联分析算法研究

基于影像遗传学数据的多任务关联分析算法研究

引用

作者：肖云佳河北工业大学

学位级别：硕士

近年来，影像遗传学作为连接神经影像学和分子基因学的桥梁为人类全面了解基因对脑结构和功能的影响带来了可能，进而揭示神经疾病的致病机制。稀疏典型相关分析和多模态分析在影像遗传学中得到了广泛的应用。但是它们也面临一些挑战，... 详细信息

近年来，影像遗传学作为连接神经影像学和分子基因学的桥梁为人类全面了解基因对脑结构和功能的影响带来了可能，进而揭示神经疾病的致病机制。稀疏典型相关分析和多模态分析在影像遗传学中得到了广泛的应用。但是它们也面临一些挑战，如稀疏典型相关分析是一种无监督学习方法，它忽略了与疾病相关的诊断信息，而且传统的多模态分析无法区分与基因型差异相关的不同神经影像学的一致性和特异性信息。　　本文提出了两种改进式多任务稀疏典型相关分析方法解决影像遗传学数据关联问题，主要工作和创新如下：　　（1）为了解决典型相关分析无监督学习导致学习效率低的问题，本文提出了一种基于模态一致性和模态特异性的引导式典型相关分析特征选择算法。该算法利用样本标签这一先验知识对典型相关学习模型进行引导，与此同时为了得到更加精细的多模态之间的关联和区别，该算法将多模态权重分解为模态共享权重和模态特异权重，并利用多任务学习框架帮助多模态学习，从而选出更具有判别力的特征。实验证明，提出的方法无论在相关性还是特征选择上都具有很强说服力。　　（2）为了改善权重分解产生三个高维权重矩阵导致计算复杂的问题，本文提出了一种基于快速算法影像遗传学的关联特征选择算法。该算法利用单核苷酸多态性群体结构对单核苷酸多态性进行分组，并将分组后的单核苷酸多态性作为一个整体进行特征选择，与此同时在算法优化上使用块对角矩阵加速计算。实验证明，提出的方法作为基于模态一致性和模态特异性的引导性典型相关分析特征选择算法的改进算法，在选出相关特征和几乎未改变原始算法得到的相关性基础上完成了模型的加速。　　本文使用两种数据集评估算法的有效性，其中包括来自阿尔茨海默病神经影像学倡议的真实神经影像遗传学数据和模拟数据。实验结果表明，本文提出的算法可以获得比现有最先进方法更好的性能。

关键词：影像遗传学数据多任务学习框架特征选择

来源：评论

学校读者我要写书评

暂无评论

高速道路场景下基于深度学习的车脸识别研究

高速道路场景下基于深度学习的车脸识别研究

引用

作者：洪刘根安徽大学

学位级别：硕士

随着机动车数量日益增加，闯红灯、套牌、交通事故逃逸等违法行为也随之来。在实际交通场景中，由于车牌经常会被遮挡、伪造，仅仅通过车牌信息无法识别车辆是否存在异常行为。因此，受启于人脸识别的思想，本文针对上述问题提出了一种... 详细信息

随着机动车数量日益增加，闯红灯、套牌、交通事故逃逸等违法行为也随之来。在实际交通场景中，由于车牌经常会被遮挡、伪造，仅仅通过车牌信息无法识别车辆是否存在异常行为。因此，受启于人脸识别的思想，本文针对上述问题提出了一种基于深度学习的车脸识别方法，以解决在实际交通场景中对车辆存在套牌或违章等异常行为进行检测。本文以高速道路场景下的车辆为研究对象，围绕基于深度学习的车脸识别展开研究工作并提出相关研究方法。主要包括:高速道路场景下的车辆检测、基于多任务学习的车辆属性精细化识别、相似车辆的可解释性车脸识别。具体研究内容如下:　　1、利用SSD算法对高速道路场景下的车辆进行检测。SSD算法结合了Faster R-CNN和YOLO两种基于深度学习的检测框架。从YOLO中继承了将检测转化为回归的思路，一次完成目标定位和分类，这能够保证快速检测目标物体的速度;另外，由于SSD算法利用卷积神经网络的不同特征层的多尺度特征预测目标物体，对SSD中的先验框的尺度进行了修改，主要是使先验框的尺度的范围增大，并对先验框的长宽比进行了改进。为验证算法的有效性，在自己构造的车辆数据集上利用SSD、YOLO进行实验并对比分析通过分析发现，修改后的SSD算法相比于原有SSD算法提升了小目标物体的检测性能，但检测的速度变慢。　　2、提出了一种基于多任务的车辆属性精细化识别方法，主要用于区分不同属性（车型，颜色，品牌）的车辆。该方法基于多任务学习框架，同时识别出车辆的类型，颜色及品牌。利用该方法，可初步区分不同属性的车辆，有助于后续车辆异常行为检测的进一步研究。另外，在车辆颜色识别任务中，由于车辆的部分区域对车辆的颜色识别无实质贡献，因此提出了利用图像掩膜与车脸特征信息相结合的方法，降低了其他干扰信息，显著提升了车辆颜色识别精度。　　3、针对属性相同的相似度高的车脸图像，无法通过属性识别的方式进行区分，若直接通过距离度量对计算车脸相似度，但由于无法确立合适的相似度阈值，导致车脸识别的效果较差。针对该问题，提出了一种基于卷积神经网络的相似车辆的可解释性识别方法。该方法基于多任务学习框架，既从整体上判断相似的车脸图像是否相同，主要通过对车脸图像的特征向量的差异值进行回归。与此同时，根据相似车辆图像之间是否存在细微差别对整体判断的结果进行解释，具体实现方式为:分别对相似车脸图像的高维卷积层特征进行提取并对提取的特征合并。然后引入反卷积网络，将合并的特征输入至反卷积网络，利用反卷积网络回归出与车辆图像尺度相同的显著性图，并结合整体判断和显著性预测对相似度极高的车脸图像进行识别。在设计损失函数时，引入对数损失函数，用于整体判断任务中逻辑回归器的输出;同时，引入均方误差函数计算真值与预测的显著性图之间的均方误差。此外，在原有对数损失函数的第一项系数加上惩罚因子，以减少假阳性样本的数量。为验证任务模型的有效性，进行了大量实验对比分析，通过实验结果表明，该模型相比于属性分类和距离度量等方法具有更好的性能。

关键词：高速道路场景车脸识别深度学习多任务学习框架

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：