检索结果-内蒙古大学图书馆

计算机工程 2022年第2期48卷 261-267页

作者：楼鑫杰李小薪刘志勇浙江工业大学计算机科学与技术学院杭州310023 深圳职业技术学院工业中心广东深圳518055

现有的图像超分辨率重建方法充分利用了强大的深度学习模型,但忽略了人类视觉系统中普遍存在的反馈机制。提出一种新型图像超分辨率重建算法,通过具有约束条件的递归神经网络中包含的隐藏状态实现反馈机制,旨在处理网络间的反馈连接并... 详细信息

现有的图像超分辨率重建方法充分利用了强大的深度学习模型,但忽略了人类视觉系统中普遍存在的反馈机制。提出一种新型图像超分辨率重建算法,通过具有约束条件的递归神经网络中包含的隐藏状态实现反馈机制,旨在处理网络间的反馈连接并生成更具说服力的高级表示形式,提供更多的上下文信息,从而帮助低分辨率图像完成高分辨率图像的重建。此外,具有较强早期图像重建能力的反馈网络可逐步生成最终的高分辨率图像。为解决低分辨率图像因多种类型的退化而导致的细节损失问题,引入课程学习策略,使网络适用于更复杂的任务,提升模型的鲁棒性。实验结果表明,该算法能有效提升图像超分辨率重建的准确性,与SRCNN、VDSR、RDN等算法相比,其PSNR值最高提升了7.15 dB。

关键词：图像超分辨率重建人类视觉系统深度学习反馈机制课程学习策略

来源：评论

学校读者我要写书评

暂无评论

基于RNN与级联损失函数的图像超分辨率研究

引用

信息技术与信息化 2024年第10期 81-84页

作者：曾强刘晓群郝娟河北建筑工程学院河北张家口075000

为了获取具有更丰富细节和更清晰纹理的超分辨率图像,提出一种融合循环神经网络(RNN)与级联损失函数的超分辨率重建网络(RLNN)。相较于传统的RNN方法,所提出的网络架构主要实现了两大创新。首先,将RNN的每一次迭代与级联损失函数紧密集... 详细信息

为了获取具有更丰富细节和更清晰纹理的超分辨率图像,提出一种融合循环神经网络(RNN)与级联损失函数的超分辨率重建网络(RLNN)。相较于传统的RNN方法,所提出的网络架构主要实现了两大创新。首先,将RNN的每一次迭代与级联损失函数紧密集成,通过这种方式,不仅提高了网络在超分辨率重建过程中的精度,还增强了其对复杂图像特征的捕捉能力。其次,设计了一种新颖的隐藏模块(HM),结合了空间-通道注意力机制与局部密集跳跃连接网络,有效提升了网络在特征提取与重用方面的性能。为了进一步优化网络的学习过程,还引入了一种课程学习策略,使网络能够逐步适应并处理更加复杂的任务。实验结果证明,所提出的RLNN网络在图像超分辨率任务上表现出极好的重建效果。

关键词：卷积神经网络超分辨率重建循环神经网络级联损失函数密集跳跃连接空间-通道注意力机制课程学习策略

来源：评论

学校读者我要写书评

暂无评论

基于混合特征感知的语音增强算法研究与实现

基于混合特征感知的语音增强算法研究与实现

引用

作者：何淇北京交通大学

学位级别：硕士

如何应对嘈杂陌生环境中的多源噪声干扰和未知多变的说话人语音一直是单通道语音增强算法面临的难题。传统算法由于存在先验模型失配而不能很好地应对智能语音交互的复杂多变场景;基于机器学习的语音增强算法虽然在处理突发噪声方面取... 详细信息

如何应对嘈杂陌生环境中的多源噪声干扰和未知多变的说话人语音一直是单通道语音增强算法面临的难题。传统算法由于存在先验模型失配而不能很好地应对智能语音交互的复杂多变场景;基于机器学习的语音增强算法虽然在处理突发噪声方面取得了显著的性能提升,但其高度依赖于训练集的完备和模型的规模,尚无法在小型智能语音设备中进行广泛应用。因此,为了解决以上瓶颈问题,本文提出基于混合特征感知的语音增强网络通用框架,高效提升现有算法的实时场景噪声抑制与个性化目标语音增强能力;并针对背景噪声鲁棒性、陌生场景快速训练和复杂多声源场景等恶劣情况进行了网络学习策略的设计与优化;最后进行了实时语音增强系统的模块化移植、软硬件实现与性能实测。具体的研究内容如下:(1)提出基于混合特征感知的通用语音增强网络架构,融合基于多头注意力的背景噪声特征感知模块和基于语音音素的目标特征感知模块,解决语音增强网络在处理陌生或突发噪声时出现的性能恶化问题。其中,背景噪声感知模块包括基于场景类的最优多维噪声特征基向量提取和基于多头注意力机制的背景噪声特征预测两部分;目标特征感知模块通过提取含噪信号中的人语音音素后验概率图,引入人语言表达的深层语义信息来进行个性化的目标特征提取;将这些多维感知特征进行自适应融合,并嵌入到任意单通道语音增强算法中,来有效提升语音增强的效果。实验证明,在陌生噪声场景中,本框架的语音质量和可懂度平均提升6.61%和2.10%,且主观实验结果证明了本框架能够提供更好的听觉体验。(2)针对复杂、陌生、多源的恶劣环境,完成语音增强网络学习策略的设计与优化,包括:基于混合对抗学习的背景噪声鲁棒性提升与参数优化、基于预训练与模型微调的陌生场景快速训练、基于课程学习的复杂多源场景训练策略。实验证明,本文提出的网络学习优化策略在陌生噪声场景中取得8.01%和2.88%的语音质量和可懂度提升,并有效减少了网络训练时间,提升了网络的复杂场景适应性。(3)基于Jetson AGX Xavier人工智能开发模块进行了语音增强系统的算法移植、软硬件实现和性能测试,进行了基于Tensor RT的系统实时性优化。实验证明,本文所实现的语音增强系统在没有过度增加网络规模的同时,显著提升了系统的处理速度(平均提升5.4倍),降低了语音增强系统的处理时延。本文成果为实现真正具有实际应用前景的小型实时语音增强系统提供了有力的理论依据、解决方案和实验支撑,可广泛应用于智能人机交互、智慧家庭与智慧城市、智慧监控和智能交通等领域,具有较好的学术和经济意义。

关键词：语音增强混合特征感知背景噪声感知目标音素感知混合对抗学习基于梅尔尺度的目标重建损失函数课程学习策略

来源：评论

学校读者我要写书评

暂无评论

基于深度强化学习的游戏博弈策略的研究与实现

基于深度强化学习的游戏博弈策略的研究与实现

引用

作者：吴睿吉林大学

学位级别：硕士

深度强化学习是一种新的算法,它结合了深度学习和强化学习,以实现从感知到行为的端到端的学习。就像人一样,直接通过深度神经网络输入感知信息,如视觉和输出动作,而不需要手动操作。通过深度强化学习训练的代理人能够完全自主地学习一... 详细信息

深度强化学习是一种新的算法,它结合了深度学习和强化学习,以实现从感知到行为的端到端的学习。就像人一样,直接通过深度神经网络输入感知信息,如视觉和输出动作,而不需要手动操作。通过深度强化学习训练的代理人能够完全自主地学习一种或多种不同的技能。近两年机器学习迅速发展,深度强化学习作为机器学习的一个分支,发展尤为猛烈。深度强化学习旨在解决计算机从感知到控制的问题,基于深度强化学习算法创造出的成果已经逐渐应用于我们的日常生活,在计算机视觉,语音识别,自然语言处理等相关领域的发展取得重大突破,但是这些领域所研究的问题,都仅仅是让计算机认识和理解环境,而没有解决人工智能最核心的问题-决策控制。需要向计算机输入感知信息的例如计算机视觉等感知问题,计算机可以根据感知信息理解和判断控制问题,并由计算机判断并输出正确的行为要求。为了使计算机能够做出适当的决策控制,需要计算机具备一定的“思考”的能力,以便计算机能够通过学习获得解决各种问题的能力,而这正是通用人工智能研究的目标。智能体的行为都可以归纳为智能体与环境进行交互,智能体观察环境,根据自身的状态及所观察的环境做出动作,更改环境,并将反馈返回给智能体。因此,核心问题是如何构建可以与环境进行交互的智能体。深度强化学习就是将善于提供学习机制的深度学习,和可以为智能体提供学习目标的强化学习进行优势结合,使得智能体具备学习复杂能力的潜力。本文首先使用深度强化学习提出的第一个算法DQN进行实验,将智能体放在贪吃蛇游戏环境中进行博弈训练,智能体在训练时将不会得到除图像像素和分数之外的任何信息,智能体必须自己学习,并直接使用输入和分数来制定最佳行动策略。之后,本文加入课程学习策略,将课程学习思想与DQN算法相结合,再次对智能体进行博弈训练,对比实验结果。通过实验表明,使用深度强化学习算法DQN训练的智能体在与对手的博弈训练后可以获得更高的分数和更长的存活时间,使用课程学习策略则可以大大提高智能体的训练速度,进一步提升智能体的表现。

关键词：深度强化学习 DQN算法游戏博弈课程学习策略

来源：评论

学校读者我要写书评

暂无评论

浅谈高中英语学习策略的重要性

引用

校园英语 2017年第15期 190-190页

作者：高佳王萌四川成都新都一中四川大学

高中英语课程标准学习策略是指学生为了有效地学习语言和使用语言而采取的各种行动和步骤。英语学习策略包括认知策略、调控策略、交际策略和资源策略等。有效的利用各种策略,掌握各种策略的运用方法,是我们能够学好高中英语的关键环节。

关键词：高中英语课程学习策略运用方法

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：