基于深度自编码器的乳腺肿瘤彩超检测系统的设计与实现
这是一篇关于乳腺肿瘤,彩色多普勒超声,自编码器,DenseNet网络,ThinkPHP框架的论文, 主要内容为乳腺肿瘤在乳腺外科疾病中极为常见多发,发展为恶性后拥有极高的死亡率,严重危害患者的身心健康,因此预防乳腺肿瘤恶化的早期筛查显得尤为重要,而使用彩超图像早期筛查是一种有效且低价的手段。随着患者量的日益增加,放射科医生的识图就诊压力逐渐增大,且医生之间也存在着识图经验差异,导致了误诊漏诊率的提高。为缓解医生的识图压力,构建深度学习模型进行乳腺图像辅助检测逐渐成为国内外学者的研究热点。然而,现有研究仍存在一些问题:由于中外人群特征的差异,国外数据集训练的模型不宜直接应用于中国患者;针对国内患者的相关研究数据集普遍较小,容易造成模型能力不足;相关研究使用的数据良恶性数量极不平衡,良性数据较多易造成数据浪费难以合理利用;在乳腺肿瘤超声图像中,决定肿瘤性质的特征抽象程度不同,传统的卷积神经网络无法良好地考虑不同抽象程度的图像区域,从而使其很难拟合乳腺肿瘤超声图像的特征。针对以上问题,本论文开展了以下工作:首先,本文收集的数据均为中国西南地区某医院的真实乳腺彩超数据,使用中国人群数据训练的模型能够更加针对中国人群独有特征进行判断,避免国内外人群因人体特征的不同导致的彩超成像差异引起模型判断误差。其次,本文使用的乳腺肿瘤彩超数据集共有7188张图像,数量相对较多,并使用迁移学习进行微调进一步防止因数据量造成的性能不足。同时使用深度自编码器思想构造模型,不仅合理有效地利用了大量良性数据,也让网络在进行迁移学习的基础上进一步提高了网络的特征提取能力。此外,使用了Focal Loss损失函数进一步缓解了数据不平衡带来的问题。然后,根据以上迁移学习和自编码思想,以Dense Net网络为基础构造了Dense Net121-Autoencoder模型。Dense Net的密集连接结构加强了特征的传播,将浅层的特征传递到了深层,能够使不同抽象程度的图像特征共同决定最终结果,更加贴合乳腺肿瘤彩超图像的特性。最终Dense Net121-Autoencoder模型在内部测试集上准确率达到93.98%,与不使用自编码结构的准确率持平的同时提升了召回率,比不使用迁移学习的准确率提升了0.75个百分点。同时,在参数量相似和改进策略相同的情况下,以Dense Net为基础的模型与基于VGG16、VGG19、Res Net50和Mobile Net V2的模型相比均得到了更好的性能结果。最后,使用Think PHP6.0后台框架和Layui前端开发工具设计实现了乳腺肿瘤彩超图像检测系统,集成了预训练的Dense Net121-Autoencoder模型支持乳腺彩超图像良恶性判断。同时,本文实现乳腺肿瘤彩超图像检测系统支持用户登录、角色管理、图像增强等功能,从而达到系统性地辅助医生诊断的目标。
基于自编码器的贝叶斯网嵌入及概率推理
这是一篇关于贝叶斯网,概率推理,图嵌入,自编码器,注意力机制的论文, 主要内容为近年来,推荐系统、诊断系统等智能系统的快速发展,为用户偏好估计、疾病诊断及相似搜索等场景提供了重要的技术支撑。基于这类系统的决策,其实质通常是将领域知识建模为图模型,并根据图模型及其节点间的依赖关系来实现知识推理。然而,在图模型上进行知识推理往往是困难且低效的,因此基于图模型的高效推理方法对于智能系统的决策具有重要的意义。贝叶斯网(Bayesian Network,BN)作为不确定性知识表示和推理的基本框架,被广泛用于社交网络、知识图谱和医疗诊断等领域。基于BN的决策、分析和相似搜索,其核心是进行多次概率推理。然而,传统的概率推理方法在多次概率推理中存在时间复杂度高、效率低等问题。考虑图嵌入在图分析任务中的高效性,本文引入图嵌入的思想将BN转换为一组低维向量,并提出基于嵌入向量的概率推理方法以克服多次概率推理的效率瓶颈。在此基础上,本文进一步提出相似节点查询算法以实现高效的BN相似搜索。本文的主要研究内容概括如下:(1)为了在嵌入向量中尽可能保存BN的有向无环图结构和条件概率参数等信息,本文首先将BN转换为带权有向图,并给出基于最大似然估计的BN采样方法,根据采样样本近似计算带权有向图中边的权重,构建与带权有向图相对应的带权邻接矩阵。然后,本文基于自编码器及注意力机制提出BN嵌入方法。其中,自编码器的每个编码层均利用节点与其邻居节点(即父节点和子节点)的相关性生成节点的嵌入向量。(2)针对多次概率推理存在的时间复杂度高、效率低等问题,本文将概率推理中基于链式法则的联合概率计算转化为嵌入向量之间的距离计算,进而提出基于嵌入向量的概率推理方法以及相似节点查询方法。(3)为了测试本文方法的有效性和效率,使用不同规模的数据集对BN嵌入、基于嵌入向量的概率推理方法及相似节点查询方法进行了实验测试。实验结果表明,本文方法的效率均高于对比方法,且能得到准确的推理结果。
基于对抗学习的图像超分辨率重构算法研究
这是一篇关于图像超分辨率,生成对抗网络,自编码器,盲超分辨率的论文, 主要内容为图像超分辨率重构是一种将低分辨率图像按照特定的放大倍数转化为高分辨率图像的技术,由于其可以恢复出退化图像中真实细节信息,被广泛应用于卫星遥感、视频监控、医疗影像等诸多领域,同时也可作为场景分割、图像分类与检测等高级计算机视觉任务的研究基础。但是在当前的研究中,大多数图像超分辨率算法仍存在细节模糊、虚假伪影以及并不适用于真实场景中的复杂退化图像等缺陷。针对以上问题,本文在通过广泛调研现有图像超分辨率重构算法的基础上,采用了基于对抗学习的技术,对经典超分辨率和盲超分辨率算法进行了研究,以提升超分辨率重构图像的视觉质量。本文主要的研究工作如下:在经典的图像超分辨率任务中,针对目前基于生成对抗网络的重构模型在输出的超分辨率图像中仍存在细节模糊和不良伪影等问题,研究了一种基于区域对抗学习和反投影的图像超分辨率重构算法,对图像中的平滑区域和纹理细节区域进行区分,针对图像中纹理丰富的区域使用对抗学习的方式进行修复,而对于平滑区域则只使用生成器进行重构,通过这种方式缓解了重构模型产生的不良伪影的问题。为了进一步提升模型的重建效果,本文基于通道注意力机制优化了生成器和鉴别器的网络结构,使网络聚焦于信息量更丰富的特征,并利用反投影约束优化训练过程的损失函数,进一步恢复了重构图像中的真实细节。最后本文通过在多个基准图像数据集上进行了超分辨率实验,验证了算法的有效性。针对目前大多数超分辨率算法并不适用于真实场景中退化过程更为复杂的低分辨率图像的问题,为了提升图像超分辨率重构算法在更多真实场景下的应用,研究了一种基于隐式建模的图像盲超分辨率重构算法。首先为了克服隐式建模方法中先验信息不足的问题,本文设计了基于VQVAE的图像先验信息学习模型,在训练过程中不断提取原始高清图像丰富的细节特征作为离散码本中的特征向量,接着训练解码器重构原始高清图像,由此获得的离散码本作为盲超分辨率重构模型的先验信息;其次为了更加有效地提取真实退化图像中的特征信息,本文使用了性能更加强大的编码器结构,同时借助离散码本中的有效先验特征进行共享查询,再输入到已训练的解码器中和U-Net判决器中进行对抗学习,实现真实场景中退化图像的超分辨率重构。最后在多个基准数据集和真实场景的数据集中进行大量实验,证明了本方法可以提升真实场景中退化图像的超分辨率重构效果。
基于极限学习机的矿山排土场灾害预警研究
这是一篇关于矿山排土场,极限学习机,集成学习,在线预测,自编码器,RNN,分布式的论文, 主要内容为矿山排土场的灾害监测预警尚处于初级阶段,但矿山排土场灾害事故的频繁发生,造成大量的人员死伤、财产损失及对社会恶劣的影响。随着各类型的传感器相继应用于对矿山排土场的安全监测,实现对矿山排土场安全状况进行短时的预警机制,对提升相关企业在处理相应灾害事故的主动性有着重要的研究意义。本文针对矿山排土场的安全预警现状展开研究,开发了 B/S与C/S混合架构的矿山排土场监测预警系统,对矿山排土场的各特性指标数据进行实时采集,实现了对排土场的各指标的实时监测需求。首先,通过对采集的历史数据进行主成分和关联性分析,确立了以地表位移为主,多变量融合的矿山排土场预警目标;其次,在对矿山排土场的数据进行分析与挖掘基础上确立了基于AdaBoost的粒子群优化极限学习机的集成学习预测模型,通过粒子群算法的寻优避免了极限学习机相关输入参数人为选择的局限性和AdaBoost的集成思想提升极限学习机的预测精度,实验表明,该模型在离线预测阶段,取得了较好的效果;再次,考虑到长期内矿山排土场的相关数据存在大量积累与出现动态波动现象,离线模型无法满足实时预测需求,提出了自编码的自适应在线循环极限学习机模型,该模型结构由两层自编码网络和一层RNN网络组成,通过RNN网络、自编码器与自适应遗忘因子的加入,使得模型的相关权重能够由新的输入数据流确定,同时消除噪声数据的干扰与增强模型的抗干扰性,实验表明,提出的模型在预测精度和效率上较其它相关模型表现更优;最后,为应对将来海量的矿山排土场数据累积,提出基于分布式自适应在线极限学习机算法模型,通过分布式系统进行预测任务,实验表明,并行算法改进的有效性,分布式系统在海量数据处理的高效性。
基于深度学习的三维点云补全网络研究
这是一篇关于点云补全,骨架重建,深度学习,自编码器,图神经网络的论文, 主要内容为随着计算机三维视觉的快速发展,三维点云数据广泛应用于工业加工、自动驾驶等场景中,然而由于遮挡、角度受限等原因经常会造成几何空间信息的缺失,这给点云分类、部件或场景分割等应用带来了困难。近年来随着三维点云深度学习技术的发展,为这一任务提供了很多解决方案,但受限于GPU算力,导致现有深度学习网络模型存在学习能力弱、补全细节表现不足等问题。因此,本文提出了从残缺点云到骨架重建、几何骨架到完整点云的“两步走”补全方法。主要研究工作总结如下:(1)针对现有深度学习网络模型在受限算力下补全能力弱的问题,首先设计了一种用于点云补全的骨架重建网络(Skeleton Reconstruction-Network,SR-Net),学习建立残缺点云到几何骨架的映射,其采用改进的点云骨架点聚集算法对完整点云进行骨架提取,以用作监督信号;结构上改进了边缘卷积编码器(Edge Conv)、融合金字塔结构和Folding Net折叠操作的解码器,最后骨架重建可视化结果表明,在有限算力下集中学习点云骨架,首先从残缺点云中重建出骨架的方法是可行的。(2)针对传统算法无法适用于补全三维几何骨架的问题,设计了一种基于骨架重建的点云补全网络(Point Cloud Completion Network Based on Skeleton Reconstruction,SRC-Net),其融合了骨架点和残缺点,采用邻域滤波算法进行离群点去除后,通过改进注意力通道边缘卷积编码器(Channel-Attentive Edge Conv,CAE)、增加图拓扑推理模块和图滤波模块的解码器来推理完整点云,最后从补全可视化结果表明,本文的补全方法可以生成更均匀和光滑分布的高质量完整点云,并能达到更为细节的补全效果。实验结果表明,SR-Net能够有效的从残缺点云预先重建出几何骨架,SRC-Net能够从骨架点云恢复出精细、均匀、完整的点云。因此,本文“两步走”的点云补全法,纵向由粗到精,横向有由骨架到面,横纵结合的实现了残缺点云的精细化补全,为点云深度学习补全提供了一种新的思路和方法,具有一定指导意义。
基于深度学习的电影个性化推荐算法研究
这是一篇关于个性化推荐,评分矩阵填充,深度学习,自编码器,电影的论文, 主要内容为近些年来,随着信息技术以及互联网的飞速发展,通过网络观看电影已成为了许多人的一种习惯。然而,由于人们无法从海量的电影资源中快速获取自己喜爱的电影内容,这使得电影信息的过载现象变得愈发严重。作为缓解信息过载问题的重要手段之一,推荐系统可以帮助用户快速找到喜爱的电影内容,为用户带来良好的使用体验,因此其在国内外知名电影及视频网站中得到广泛应用,并带来了巨大的商业价值。推荐算法模块是电影推荐系统的核心,决定了一个推荐系统的优劣。在众多的个性化推荐算法中,协同过滤算法由于其简单性、有效性、准确性而成为了目前应用最为广泛的技术之一。然而,随着用户及电影项目数量的急剧增加,数据稀疏性问题成为了传统协同过滤算法面临的一大挑战,严重影响了推荐质量,导致用户体验度较差。此外,传统的协同过滤算法无法有效提取数据中的非线性因素,且考虑的数据角度单一,这也使得算法性能受限。随着深度学习技术的蓬勃发展,将传统推荐算法与深度学习技术相融合解决上述问题成为了新的发展趋势。针对以上问题,本文在现有研究的基础上,将改进加权Slope One方法与深度学习中的自编码器相结合,在缓解数据稀疏性问题的同时,学习数据集的更深层特征,进而提高推荐质量。本文的主要研究内容如下:1.针对数据稀疏所导致的近邻评分数据过少的问题,提出一种基于改进加权Slope One的评分矩阵填充方法。该方法利用改进的Slope One算法对未评分项目进行预测,然后将评分预测值填充到原始矩阵中,得到新的用户-项目评分矩阵,从而使得数据稀疏性大大降低。同时,本方法也为之后的DeepRec算法缓解数据稀疏性问题提供了思路。2.由于经典的协同过滤方法采用浅层模型无法学习到用户和项目的深层次非线性特征,进而导致推荐质量较差。针对上述问题,在前一个工作的基础上,将深度学习模型中的自编码器引入到电影推荐的评分预测任务中来,提出一种基于深度降噪自编码器的电影个性化推荐算法,命名为DeepRec。该算法利用深度自编码器学习非线性和有意义的用户-项目关系;同时,由于自编码器具有去噪的特性,故加入合适的噪声,以提高预测的鲁棒性和准确度。3.在MovieLens电影数据集上进行实验,并通过对本文所提算法和对比算法的实验结果分析,验证本文算法的有效性。
基于信息融合的商品推荐算法的研究
这是一篇关于混合推荐算法,自编码器,多层感知机,压缩交叉网络,多头自注意力的论文, 主要内容为随着电子商务的发展,商品推荐已经成为电商平台中的一个重要问题。目前,商品推荐系统的核心在于如何通过海量的用户行为数据和商品信息,为用户提供个性化、精准的商品推荐。然而,由于数据稀疏性和特征组合的问题,推荐系统面临着许多挑战。传统的推荐算法主要是基于协同过滤的方法,其准确率和鲁棒性受到了很大的限制。因此,研究新的推荐算法已成为当前研究的热点之一。信息融合是一种重要的解决方案,其旨在将多个数据源融合在一起,以提高推荐系统的性能和性能。本文旨在研究基于信息融合的商品推荐算法,通过融合不同的特征,提高推荐系统的性能。主要研究点如下:1、针对推荐系统中的数据稀疏性问题,本文提出基于历史交互行为信息和属性辅助信息的推荐模型。模型采用双自编码器对评分矩阵实现降维处理,通过自编码器隐藏层,得到用户和物品的隐表示特征;模型使用词嵌入向量和卷积神经网络对商品文本的前后信息加权处理,突出表示关键位置信息,提高提取文本特征的效率;模型利用深度神经网络,从用户和商品高维度的属性信息中挖掘到更稠密的特征表示。最后,模型通过多层感知机实现所有特征融合后的深度特征交互学习,以提高评分预测的准确性。2、针对推荐系统中的特征组合问题,本文提出基于多头自注意力的点击率预估模型。模型采用分组交叉和卷积式特征压缩方法,以向量级的显示方式学习高阶特征交叉信息。其次,在特征交叉模块中,残差连接将原始输入向量与多头自注意力网络生成的特征表示融合,输出有意义的高阶特征交互。最后,通过激活函数对融合后的输出特征进行估计,得到最终的点击率预估结果。该混合推荐模型利用了逻辑回归模型、压缩交叉网络和多头自注意力网络的优势,全面地考虑了不同因素对推荐模型的影响。总之,本文提出了两种基于信息融合的商品推荐算法。实验结果表明,这两种算法都能够显著提高商品推荐的准确度和多样性,为电商平台提供更好的推荐服务。未来的研究方向是进一步探索信息融合的方法,提高推荐算法的效率。
基于深度学习的可穿戴设备数据隐私保护系统的设计与实现
这是一篇关于可穿戴设备,隐私保护,生成式对抗网络,自编码器的论文, 主要内容为由于可穿戴设备上传感器的日益多样化和无线网络的普及,可穿戴设备可以用来采集用户及其周边的多种信息,与传统的无线传感器网络相比,基于可穿戴设备的感知应用在移动便捷、可扩展性、成本等方面更胜一筹。在基于可穿戴设备的感知应用中,用户会被要求上传其相关数据,这就带来了隐私泄露的问题。现有的隐私保护技术(如数据扰乱和数据转换)等通常会改变所有原始数据,这样会使降低数据所包含的信息量,对后续的数据分析工作造成影响。一个相对较好的选择是只处理与敏感信息相关的部分数据,在一定程度上减轻对用户数据价值所带来的不良影响。这种方法的主要问题是如何判断数据是敏感数据还是非敏感数据,为此本文将其抽象成一个One-Class分类问题,并且基于深度学习的方法提出了一个新的判别模型。该模型采用一个自编码器来学习非敏感数据的特征,并且使用多个判别器和自编码器进行对抗训练以提升其性能。为了提高模型的判别准确率,本文使用集成学习的方法将多个判别器的输出组合在一起并通过多数投票的方法来计算模型的最终结果。本文提出的方法有以下优点:首先该模型的训练不需要使用隐私数据,因此在实际应用中易于实现;其次该模型不会改变非隐私的传感器数据,因此适用于大多数感知应用;最后该模型具有很强的特征学习能力以及较高的准确率。本文在三个公开数据集和一个自建的隐私保护领域数据集上进行了充分的对比实验,证明了该模型在Accuracy和F1-score方面超过了四种同类代表性方法。为了验证本文所提方法的可行性,本文最后还设计并实现了一个隐私动作识别处理系统,用于收集用户的传感器数据并且对其进行去隐私化处理,以用于后续的数据挖掘工作。该系统的后台服务器以微服务的架构实现,分为通用模块、消息系统和算法部署三个部分,并且配有智能手表和手机端APP供用户使用。最后,本文通过系统测试验证了所提方法的可行性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码导航 ，原文地址：https://m.bishedaima.com/lunwen/46278.html
