检索结果-内蒙古大学图书馆

计算机学报 2022年第7期45卷 1478-1499页

作者：吕帅龚晓宇张正昊韩帅张峻伟吉林大学计算机科学与技术学院长春130012 符号计算与知识工程教育部重点实验室(吉林大学) 长春130012 Department of Information and Computing Sciences Utrecht UniversityUtrecht 3584 CCThe Netherlands

深度强化学习是目前机器学习领域中重要的研究分支之一,它可以通过直接与环境进行交互实现端到端的学习,对高维度和大规模的问题有着很好的解决能力.虽然深度强化学习已经取得了瞩目的成果,但其仍面临着对环境探索能力不足、鲁棒性差、... 详细信息

深度强化学习是目前机器学习领域中重要的研究分支之一,它可以通过直接与环境进行交互实现端到端的学习,对高维度和大规模的问题有着很好的解决能力.虽然深度强化学习已经取得了瞩目的成果,但其仍面临着对环境探索能力不足、鲁棒性差、容易受到由欺骗性奖励导致的欺骗性梯度影响等问题.进化算法普遍具有较好的全局搜索能力、良好的鲁棒性和并行性等优点,因此将进化算法与深度强化学习结合用于弥补深度强化学习不足的方法成为了当前研究的热点.该文主要关注进化算法在无模型的深度强化学习方法中的应用,首先简单介绍了进化算法和强化学习基本方法,之后详细阐述了两类结合进化算法的强化学习方法,分别是进化算法引导策略搜索的强化学习和结合进化算法的深度强化学习,同时对这些方法进行了对比与分析,最后对该领域的研究重点和发展趋势进行了探究.

关键词：强化学习深度强化学习进化算法遗传算法进化策略

来源：评论

学校读者我要写书评

暂无评论

基于YOLOV3改进的虹膜定位算法

引用

东北大学学报（自然科学版） 2022年第4期43卷 496-500,508页

作者：于哲舟刘岩刘元宁吉林大学计算机科学与技术学院吉林长春130012 吉林大学软件学院吉林长春130012 吉林大学符号计算与知识工程教育部重点实验室吉林长春130012

针对传统虹膜定位算法定位不准确的问题,利用改进的YOLOV3虹膜定位模型对虹膜定位的准确率加以提高,使其更好应用于生产实践.使用Densenet-121模型作为特征提取模块,并在此基础上通过复制骨干网络得到辅助网络的方式使其更有利于检测小... 详细信息

针对传统虹膜定位算法定位不准确的问题,利用改进的YOLOV3虹膜定位模型对虹膜定位的准确率加以提高,使其更好应用于生产实践.使用Densenet-121模型作为特征提取模块,并在此基础上通过复制骨干网络得到辅助网络的方式使其更有利于检测小目标,用Non-local注意力机制增强图片获取特征语义信息.采用基于DarkNet-53的YOLOV3模型、Daugman模型及Wilde模型进行对比实验.实验结果表明:本文的实验模型在虹膜定位中的准确率高达97.1%,与其他虹膜定位模型相比具有明显优势.

关键词： YOLOV3 虹膜定位特征提取目标检测注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于ProtBert预训练模型的HLA-Ⅰ和多肽的结合预测算法

引用

吉林大学学报（理学版） 2023年第3期61卷 651-657页

作者：周丰丰张亚琪吉林大学计算机科学与技术学院长春130012 吉林大学符号计算与知识工程教育部重点实验室长春130012

针对现有的第Ⅰ类HLA(HLA-Ⅰ)分子与多肽结合亲和力预测算法在特征构造时依赖传统序列评分函数的问题,为突破用经典机器学习算法构造氨基酸序列特征的局限性,提出一种基于蛋白质预训练模型ProtBert的HLA-Ⅰ与多肽的结合预测算法ProHLAⅠ... 详细信息

针对现有的第Ⅰ类HLA(HLA-Ⅰ)分子与多肽结合亲和力预测算法在特征构造时依赖传统序列评分函数的问题,为突破用经典机器学习算法构造氨基酸序列特征的局限性,提出一种基于蛋白质预训练模型ProtBert的HLA-Ⅰ与多肽的结合预测算法ProHLAⅠ.该算法利用生命体语言与文本语言在组成上的共性,将氨基酸序列类比句子,通过整合ProtBert预训练模型、BiLSTM编码和注意力机制的网络结构优势,对HLA-Ⅰ序列和多肽序列进行特征提取,从而实现HLA-Ⅰ独立于位点的多肽结合预测.实验结果表明,该模型在两组独立测试集中均取得了最优性能.

关键词： HLA-Ⅰ结合肽预测自然语言处理注意力机制 BERT模型双向长短期记忆模型(BiLSTM)

来源：评论

学校读者我要写书评

暂无评论

基于多尺度感知和语义适配的医学图像分割算法

引用

吉林大学学报（工学版） 2022年第3期52卷 640-647页

作者：王雪李占山吕颖达吉林大学计算机科学与技术学院长春130012 吉林大学符号计算与知识工程教育部重点实验室长春130012 吉林大学公共计算机教学与研究中心长春130012

针对医学图像中病灶区域的形状不规则、尺度变化大、强度不均匀和边界模糊等复杂特点导致医学图像分割精度下降的问题,本文提出了一种基于多尺度感知和语义适配的医学图像分割算法。通过多尺度上下文感知模块,从多个感受野学习目标区域... 详细信息

针对医学图像中病灶区域的形状不规则、尺度变化大、强度不均匀和边界模糊等复杂特点导致医学图像分割精度下降的问题,本文提出了一种基于多尺度感知和语义适配的医学图像分割算法。通过多尺度上下文感知模块,从多个感受野学习目标区域丰富的上下文信息,并根据目标区域大小动态分配不同尺度语义特征的权重,以提高特征学习的表征能力。通过多层语义适配模块聚合多级抽象语义特征和空间细节信息,细化目标区域的边界,同时减少编解码器间的特征差异。将本文算法在3个不同模态的公开医学图像数据集上进行定量和定性对比,实验结果表明,本文算法在多个医学图像复杂场景分割中均优于其他算法。

关键词：计算机应用医学图像分割多尺度上下文感知语义适配上下文信息

来源：评论

学校读者我要写书评

暂无评论

基于生成模型提升训练的深度学习虹膜识别方法

引用

吉林大学学报（工学版） 2022年第12期52卷 2924-2932页

作者：刘元宁朱琳朱晓冬刘震吴浩萌吉林大学计算机科学与技术学院长春130012 吉林大学符号计算与知识工程教育部重点实验室长春130012 长崎综合科学大学研究生院工学研究科长崎851-0193

提出了一种改进的深度虹膜分类模型EnhanceDeepIris,在生成网络的辅助下,对深度学习虹膜分类网络进行二次训练,使已经在原始训练集上收敛的分类网络继续训练,得到在测试集上泛化能力更好的网络。使用3个先进的图像分类网络VGG16、ResNet... 详细信息

提出了一种改进的深度虹膜分类模型EnhanceDeepIris,在生成网络的辅助下,对深度学习虹膜分类网络进行二次训练,使已经在原始训练集上收敛的分类网络继续训练,得到在测试集上泛化能力更好的网络。使用3个先进的图像分类网络VGG16、ResNet101和DenseNet121验证EnhanceDeepIris对深度学习分类网络的提升效果。在两个虹膜数据集CASIA-Iris-Thousand和JLU6.0上对该方法进行实验,结果表明,与传统数据增强方法相比,经过EnhanceDeepIris提升训练的分类模型识别精度更高、测试效果更稳定。

关键词：计算机应用深度学习虹膜识别图像生成辅助分类

来源：评论

学校读者我要写书评

暂无评论

像素级卷积神经网络多聚焦图像融合算法

引用

吉林大学学报（工学版） 2022年第8期52卷 1857-1864页

作者：申铉京张雪峰王玉金玉波吉林大学计算机科学与技术学院长春130012 吉林大学符号计算与知识工程教育部重点实验室长春130012 长春爱思博特信息科技有限公司长春130012

提出了一种用于多聚焦图像融合的卷积神经网络(CNN)。与现有的基于CNN的图像融合方法将源图像分解成几个小块,然后使用一个分类器来估计图像块是否聚焦相比,本文方法直接将整个图像转换成一个决策图。像素级回归策略可以充分利用互补信... 详细信息

提出了一种用于多聚焦图像融合的卷积神经网络(CNN)。与现有的基于CNN的图像融合方法将源图像分解成几个小块,然后使用一个分类器来估计图像块是否聚焦相比,本文方法直接将整个图像转换成一个决策图。像素级回归策略可以充分利用互补信息,解决了聚焦/散焦区域周围模糊程度估计的困难。此外,在图像融合领域,应用环形残差网络(RResNet)模块来提取更多聚焦区域的语义信息。同时,利用结构相似度(SSIM)估计生成的融合图像与参考图像之间的结构相似性以提高融合图像的质量,同时采用边缘保留损失函数来保留源图像中更多的梯度信息。实验结果表明:该方法在主观视觉效果和客观评价方面均优于其他融合算法。

关键词：多聚焦图像融合深度学习像素级回归卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于多模态数据融合的胃癌患者生存预测模型

引用

吉林大学学报(工学版) 2024年

作者：刘元宁王星喆黄子彧张家晨刘震吉林大学计算机科学与技术学院吉林大学符号计算与知识工程教育部重点实验室北京林业大学信息学院长崎综合科学大学研究生院工学研究科

针对胃癌患者生存预测的深度学习方法中存在的患者数据使用不全面、数据结合方式粗糙等问题，提出了一种多模态数据融合的胃癌患者生存预测模型。首先，将同一患者的包括临床数据、基因表达数据和医学图像的多模态数据预处理。其次，将... 详细信息

针对胃癌患者生存预测的深度学习方法中存在的患者数据使用不全面、数据结合方式粗糙等问题，提出了一种多模态数据融合的胃癌患者生存预测模型。首先，将同一患者的包括临床数据、基因表达数据和医学图像的多模态数据预处理。其次，将多模态数据输入到图注意力网络中，使多模态数据在注意力机制下自适应调整权重互相融合。再次，引入卷积神经网络处理的医学图像，与图注意力网络的输出共同作用于预测结果。最后，使用十折交叉验证证明模型性能的稳定性，并将结果与使用相同数据集的其他方法进行比较。结果表明，本文提出的模型取得了领先的准确率。

关键词：计算机应用深度学习多模态数据生存预测

来源：评论

学校读者我要写书评

暂无评论

基于语义特征提取与层次结构的问题生成方法

引用

吉林大学学报（理学版） 2023年第1期61卷 94-100页

作者：白诗瑶吕佳键彭涛刘露崔海吉林大学计算机科学与技术学院长春130012 吉林大学软件学院长春130012 吉林大学符号计算与知识工程教育部重点实验室长春130012

针对传统端到端模型在输入文本语义较复杂情况下生成的问题普遍存在语义不完整的情形,提出一种基于语义特征提取的文本编码器架构.首先构建双向长短时记忆网络获得基础的上下文信息,然后采用自注意力机制及双向卷积神经网络模型分别提... 详细信息

针对传统端到端模型在输入文本语义较复杂情况下生成的问题普遍存在语义不完整的情形,提出一种基于语义特征提取的文本编码器架构.首先构建双向长短时记忆网络获得基础的上下文信息,然后采用自注意力机制及双向卷积神经网络模型分别提取语义的全局特征和局部特征,最后设计一种层次结构,融合特征及输入自身信息得到最终的文本表示进行问题生成.在数据集SQuAD上的实验结果表明,基于语义特征提取与层次结构进行问题生成效果显著,结果明显优于已有方法,并且语义特征提取和层次结构在任务的各评价指标上均有提升.

关键词：问题生成双向长短时记忆网络卷积神经网络自注意力机制层次结构

来源：评论

学校读者我要写书评

暂无评论

身份保持约束下的面部图像超分辨率重建方法

引用

数据采集与处理 2023年第2期38卷 350-363页

作者：田旭刁红军凌兴宏苏州大学计算机科学与技术学院苏州215006 苏州城市学院苏州215104 吉林大学符号计算与知识工程教育部重点实验室长春130012

低分辨率是影响人脸识别精度的重要因素。一种有效方法是使用图像超分辨率技术对低分辨率图像重建,生成超分辨率图像后再对其作人脸识别,从而克服低分辨率面部图像对人脸识别的限制。但是,现有超分辨率方法在重建过程中往往忽略了保持... 详细信息

低分辨率是影响人脸识别精度的重要因素。一种有效方法是使用图像超分辨率技术对低分辨率图像重建,生成超分辨率图像后再对其作人脸识别,从而克服低分辨率面部图像对人脸识别的限制。但是,现有超分辨率方法在重建过程中往往忽略了保持其原始身份信息,这直接影响生成图像的人脸识别结果。针对上述问题,提出了一种身份保持约束下的面部超分辨率重建方法IPNet,在提高低分辨率面部图像质量的同时,能保持重建后的面部图像身份。IPNet方法将语义分割网络和面部生成器相结合,通过语义分割网络提取低维隐码和多分辨率空间特征,进而指导面部生成器输出接近于原图的真实面部图像。在此基础上引入人脸识别网络,将身份信息整合到超分辨率方法中,从而约束重建前后的面部图像身份保持一致。实验结果表明,IPNet方法在超分辨率图像质量和身份保持上均优于其他对比方法。

关键词：超分辨率人脸识别语义分割面部生成器身份保持

来源：评论

学校读者我要写书评

暂无评论

引入激活扩散的类分布关系近邻分类器

引用

吉林大学学报（理学版） 2024年第4期62卷 915-922页

作者：董飒欧阳若川徐海啸刘杰刘大有李婷婷王鑫禄吉林大学计算机科学与技术学院长春130012 吉林大学符号计算与知识工程教育部重点实验室长春130012 吉林大学党委教师工作部长春130012 吉林大学国际教育学院长春130012

针对同质性关系分类器基于一阶Markov假设简化处理的局限性,在类分布关系近邻分类器构建类向量和参考向量时,引入局部图排序激活扩散方法,并结合松弛标注的协作推理方法,通过适当扩大分类时邻居节点的范围增加网络数据中待分类节点的同... 详细信息

针对同质性关系分类器基于一阶Markov假设简化处理的局限性,在类分布关系近邻分类器构建类向量和参考向量时,引入局部图排序激活扩散方法,并结合松弛标注的协作推理方法,通过适当扩大分类时邻居节点的范围增加网络数据中待分类节点的同质性,从而降低分类错误率.对比实验结果表明,该方法扩大了待分类节点的邻域,在网络数据上分类精度较好.

关键词：人工智能网络数据分类激活扩散类分布关系近邻分类器协作推理

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：