9篇关于空洞卷积的计算机毕业论文

今天分享的是关于空洞卷积的9篇计算机毕业论文范文, 如果你的论文涉及到空洞卷积等主题,本文能够帮助到你

基于粒度划分的社交网络用户关系发现

这是一篇关于知识图谱,多粒度,残差网络,空洞卷积,多模态特征的论文, 主要内容为随着新型社交网络的兴起,社会网络服务得到了飞速的发展,这促使人们可以更加快捷方便地进行信息传播与实时交流。但是社交网络在促进社会经济发展和人文交流的同时,也带来了“信息爆炸”的问题。由于社交网络可能包含数以万计的节点和边关系,因此整个网络关系推理的过程会非常的复杂,如果可以将节点表示为低维的向量,就可以很大程度上解决这一问题。网络表示学习就是将网络中节点的特征,嵌入至低维向量中的方法,而学习到的这些向量将会保留节点的相似性。针对以上问题,本文提出了一种基于粒度划分的社交网络关系发现方法,该方法结合社交网络用户的结构特征和文本特征来获得用户节点的低维表示,然后利用得到的节点表示分析用户之间的关系。本文的主要研究工作如下:(1)利用知识图谱中的实体信息作为先验知识与深度神经网络结合来增加粒度信息。先验知识的加入使数据集得到扩充的同时也使得原本属于同一类型的文本更容易聚集,这样就弱化了模型的过拟合问题,并减少模型对样本的依赖性,从而进一步提高文本特征提取的效果。(2)多层神经网络模型会随着深度增加而出现梯度消失、功能退化的问题,本文利用残差块来代替原来的深度神经网络层,同时空洞卷积与原始卷积相比,空洞卷积使用不同空洞率得到的特征是多粒度且不重复的,这样可以解决局部特征丢失和信息重复的问题。最后文章通过实验证明使用空洞卷积可以提升文本特征抽取的准确率。(3)综合考虑了用户节点的文本和结构等多个模态特征,并投影到同一分类子空间,同时在进行多模态特征融合时,利用Bilinear模型对多模态向量进行训练,从而得到社交网络用户节点的唯一低维向量表示,并在爬取的真实网络数据上进行用户关系发现。

基于多卷积核和自适应空洞密集网络的时序数据分类研究

这是一篇关于时序数据分类,脑电图信号,密集网络,多卷积核,空洞卷积的论文, 主要内容为近年来,智慧城市的大力推动以及物联网技术的日益成熟,催生了大量的时序数据。时序数据分类作为时序数据挖掘中的前沿问题之一,一直备受研究人员的关注。而且现在随着传感器的种类和数量增多,时序数据的数据量和复杂性也随之提高,使得时序数据分类成为一项更具挑战性的任务。目前主流的时序数据分类方法主要分成两类:传统方法和深度学习方法。传统方法容易受领域知识的限制,不太适合当下的时序数据分类任务。而基于深度学习的方法能实现时序特征的自动提取且获得了较高的分类准确率。当下高特征高频时序数据复杂多样,而当前主流的基于CNN的深度学习方法不擅于提取长时间依赖性。因此针对基于深度学习的时序数据分类方法中存在的问题和潜在的改善空间,以Dense Net为深度学习骨架,从EEG时序数据分类、一般性时序数据分类两个方面展开了研究。针对EEG时序数据多特征、非稳定和低信噪比等特点,提出了基于EEG时频图的多卷积核Dense Net分类方法。该方法首先利用连续小波变换将EEG信号转换成时频图,时频图具备了EEG信号的时频位置特征、空间相关性和多分辨率属性。然后,将Inception多卷积核的思想融入Dense Net中,多尺度地提取EEG时频图中与EEG时序数据分类任务相关的动态时频特征以及电极位置相关性。在真实EEG数据上的实验结果表明,该方法能有效地提升EEG时序数据分类的准确率。针对CNN提取长期时间依赖性不足和不够轻量级的问题,提出了基于GAF(Gramian Angular Field)和MTF(Markov Transition Field)的自适应空洞Dense Net分类方法。首先利用GAF和MTF将时间序列转化为GM-images以保留原始时序数据的时序依赖性和动态转移统计信息。接着自适应特征融合算法通过加权融合自动地从GAF和MTF表示中提取了时序数据的静态和动态信息。然后所设计的Dila-Dense块既能保护时序图像的局部空间信息,又在不大幅损失分辨率的情况下维持较大的感受野。最后通过实验结果验证了该模型为有效且轻量级的模型。

基于U-Net变体网络的混凝土裂缝检测研究

这是一篇关于裂缝检测,编码器-解码器,空洞卷积,注意力机制,结构重参数化的论文, 主要内容为随着我国公共基础设施的快速发展,混凝土作为建筑物的基本原材料被广泛使用,裂缝作为混凝土设施最为常见的结构性病害成为建筑工程质量中健康检测的重要一环。传统的检测方法,如人工检测,存在检测效率低、检测结果不准等问题;基于数字图像处理技术的检测算法,存在需要人工设计特征、模型稳定性差、易受环境干扰等局限。基于此,本文着力于研究基于计算机视觉的智能裂缝检测算法。本文选用具有编码器-解码器以及跳跃连接结构的U-Net作为主体网络,进行针对性研究。主要研究内容如下:(1)针对现有裂缝检测方法在裂缝拓扑结构复杂,前后景像素不协调情况下产生的检测精度低的问题,提出一种基于空洞卷积与动态核融合池化的裂缝检测方法。模型以U-Net网络为基础,编码器阶段插入空洞卷积,能够更大限度的保留裂缝细节与结构信息;解码器阶段引入动态核融合池化模块,用以在并行卷积流中更高效的获得不同尺寸的裂缝语义信息并融合,能够提升细小裂缝的检测效果。实验结果表明,模型有效提升了裂缝检测的精度,减少了漏检、误检现象。(2)本文在(1)的基础上,针对模型结构复杂、参数量大的问题,提出了一种基于结构重参数化与注意力机制的检测模型。首先,模型采用结构重参数化的思想,将编码器端的多分支结构转换成单分支结构用以提取特征,既能保留更高精度的检测结果又能简化网络结构;同时为了更有效的识别裂缝,加入了注意力机制,用以加大提取裂缝特征的前景权重;最后将解码器端的反卷积替换成更轻量、有效的亚像素卷积。实验结果表明,构建的网络模型相较主流的U-Net变体网络模型,参数量、计算量更低且检测精度高、效果好。本文主要基于U-Net网络进行裂缝检测研究。提出的两种检测模型利用优化特征提取以及特征还原等方法,有效改善常规裂缝检测方法中存在的检测精度低、网络模型复杂度高等问题。

面向自动驾驶的城市景观场景解析方法研究

这是一篇关于深度学习,卷积神经网络,语义分割,场景解析,空洞卷积的论文, 主要内容为自动驾驶概念诞生以来,一直是各国竞相发展的重要技术。然而目前的自动驾驶汽车仍然无法准确、高效的解析并识别周围环境,尤其是在复杂的城市街道之中。场景解析要求提供对场景的完整理解,它预测整幅图像中每个像素的标签、位置,对其所属物体进行分类和定位。复杂的城市景观场景解析有两大关键难点,即高分辨率的保持和高层语义信息的获取。本文基于深度学习技术,针对城市景观场景解析的两大难点,提出了结合空洞空间金字塔池化的改进高分辨率网络以及高分辨率场景解析网络,旨在为自动驾驶车辆提供高效、高精度的城市景观场景解析算法。本文的主要研究内容如下:(1)深入研究了城市景观场景解析的两大关键难点,即高分辨率的保持和高层语义信息的获取。深入研究了卷积神经网络的设计,靠近输入端的特征图拥有高分辨率和高语义信息,但是缺少边缘和细节信息;靠近输出端的特征图分辨率很低,丢失了语义信息,但是获取到了大量的细节信息,难以满足场景解析的需要。因此本文提出卷积神经网络结合使用空洞卷积、金字塔池化来解决这两大难点。(2)针对多尺度物体分割问题,提出了结合空洞空间金字塔池化的改进高分辨率网络。首先以深度可分离卷积改进了高分辨率网络的一半残差模块,并以此为基干的特征提取网络;其次设计了改进的空洞率叠加的空洞空间金字塔池化模块,以获得多个尺度的感受野,增强模型提取多尺度物体特征的能力;最后设计了双通道并行的解码器结构,聚合所有的优势,获得了高质量的分割图。最终在City Scapes数据集上以34.8M的参数数量,取得了82.1%的MIo U,并且前向预测速度达到了10FPS。(3)在结合空洞空间金字塔池化的改进高分辨率网络研究的基础上,进一步针对上下文信息聚合问题,提出了高分辨率场景解析网络。首先以三级空洞率叠加的空洞可分离卷积改进了高分辨率网络,并以此为基干的特征提取网络;其次设计了多阶段逐级融合的上采样结构,充分利用改进的高分辨率网络的四条并行通路的输出特征图;最后设计了改进的、可以适应不同尺寸的输入图像的金字塔池化模块来聚合全局上下文信息、不同尺寸的局部上下文信息,优化分割结果,获得了高质量的分割图。最终在City Scapes数据集上以16.4M的参数数量,取得了83.3%的MIo U,并且前向预测速度达到了14FPS。(4)将上述算法进行实际应用,设计并实现了一个基于深度学习的面向自动驾驶的城市景观场景解析系统,并且完全根据软件工程的规范进行了系统设计以及系统实现。本文详细阐述了系统需求分析、系统设计、系统实现、系统测试的全部内容。场景解析系统包含了用户管理、训练模型、场景解析、数据集管理、算法管理等模块。满足了用户对于不同数据集的场景解析需求。

基于深度卷积网络的情绪识别研究及其在线上课堂中的应用

这是一篇关于情绪识别,线上课堂,空洞卷积,DenseNet网络模型,非对称卷积,ResNet网络模型的论文, 主要内容为受疫情影响,线上课堂成为师生学习的重要方式之一。线上课堂中,老师往往难以与学生的面对面交流,注重教学内容而忽视了包含学生学习状态的面部情绪等信息。学生线上课堂的情绪状态一定程度上反映学生对知识点的接受程度,从而进一步对线上课堂的教学效果起到反馈作用。目前越来越多的情绪识别任务引入深度卷积网络,基于深度卷积网络的静态人脸图像情绪识别技术具有分类精度高、泛化能力强等优点,其在线上课堂等较复杂的自然场景中表现出优秀的准确性和鲁棒性。在情绪识别任务中,深度卷积网络提取的深层特征至关重要。因此研究基于深度卷积网络的人脸图像情绪识别DenseNet和ResNet网络模型,对比两个网络模型情绪识别性能,并分析各自的适用场景,将其应用到线上课堂教学效果反馈中,从而为线上课堂教学效果反馈提供技术支持。研究工作如下:1、提出多层次监督融合的ResNet-ASE网络模型,同时监督浅层、中间层和深层特征,融合互补层特征,帮助网络模型学习情绪特征,并借助非对称卷积提取深层情绪特征,减少ResNet-ASE模型参数量。借助深度卷积网络提取的深层情绪特征,提高人脸情绪识别任务的准确率,结合学生人脸图像的线上课堂情绪识别的场景,训练更深的卷积神经网络。提出多层次监督的ResNet-ASE网络模型,更容易训练深度卷积网络;并提出监督信息融合结构,融合不同深度的情绪特征。该模型学习的参数量达到了千万数量级,但训练占用显存较低,在数据增强后的FER2013+和RAF数据集上分别取得了95.61%和92.98%的准确率。由于ResNet网络模型需要学习的参数数量巨大,因此适合计算资源充足,内存资源缺乏的情绪识别场景。2、提出多尺度空洞卷积融合的DenseNet-MSE网络模型,DenseNet-MSE同时监督浅层、中间层和深层的稠密块。对于ResNet网络模型而言,由于其参数量巨大,所以带来巨大的计算资源开销。提出多尺度空洞卷积模块提取不同空间尺度特征的稠密卷积神经网络模型,实现低计算成本下人脸图像情绪识别。该模型主要由多尺度空洞卷积和多层次监督融合的DenseNet神经网络两个子网络组成,其中多尺度空洞卷积由不同空洞率的四分支网络提取不同尺度特征;多层次监督和融合提取不同深度的情绪特征;最后在DenseNet-MSE网络中结合Adam优化器和中心损失函数。模型对数据增强后的FER2013+和RAF数据集识别准确率分别达到93.99%和88.23%。与ResNet-ASE比较可得,DenseNet-MSE网络模型需要学习的参数数量较少,但识别准确率比ResNet-ASE稍差,因此适合计算资源缺乏,内存资源充足且准确率要求不高的情绪识别场景。3、搭建微服务实现并部署线上课堂人脸情绪识别的教学效果反馈系统。由于计算资源充足,显存资源有限,因此在服务器部署训练完成的ResNet-ASE网络模型,截取腾讯会议中的学生上课图像,使用Dlib的人脸检测截取人脸图像,ResNet-ASE网络模型输出学习状态,将学习状态通过邮件及时发送给老师和学生,设计数据库和前端页面,完成系统的实现和测试分析。

基于改进U-Net的超声图像分割算法研究

这是一篇关于超声图像分割,U-Net,注意力机制,空洞卷积,多尺度特征融合的论文, 主要内容为图像分割是医学图像处理领域的一个研究热点,快速自动的分割医学图像有助于提升医生的工作效率,对于疾病的诊断也起着重要的辅助作用。在常见的医学成像类型中,超声因其无创、实时、无放射性损害及低价等特点,已经成为患者和医生术中诊断的首选,但是超声图像中噪声多、边缘不清晰和目标形态不一的现象比较普遍,传统的图像分割方法大都需要手动干预并且对噪声非常敏感,得到的分割结果并不足以满足需求,随着深度学习的不断发展,通过特征提取的方式来处理图像分割任务成为主流,面对超声图像中噪声多的问题也能很好的解决,但是大多数主流的网络模型专注于精度的提高,从而忽略了计算复杂度的大幅上涨,使模型不能便捷的嵌入到现代医学设备中。因此,为了降低模型参数量和计算量的同时提升模型的分割精度,以及更好的应对超声图像中分割目标的多尺度变化问题,降低模型对噪声的敏感度,本文在经典的编码器解码器结构上进行改进,主要工作可归纳为以下几点:(1)针对超声图像中噪声多以及分割目标的多尺度变化问题,提出了一种基于注意力和空洞卷积的特征融合网络。该网络以U-Net为基础模型,首先在编码器部分引入高效通道注意力网络(ECA-Net)作为注意力机制,增加模型对分割目标的关注并且减少噪声信息对分割精度的影响,然后在跳跃连接中引入空洞空间金字塔池化(ASPP)模块,通过不同膨胀系数的空洞卷积扩大特征提取过程中的感受野,最后在两个超声图像数据集上与其他分割网络进行了对比实验,证明本文提出的模型具有更高的分割精度,并且对于目标形态分割的更加精准。(2)针对U-Net++网络计算复杂度过高使其不能便捷的迁移到医学设备中的问题,提出了一种基于轻量化注意力机制的深度可分离网络。首先,考虑到网络中参数量和计算量过大是由于卷积操作所造成,因而提出多元化深度可分离卷积层代替卷积模块,以便维持计算复杂度和分割精度之间的平衡。其次,在跳跃连接中引入了轻量化的坐标注意力机制,通过将通道注意力分解成两个维度,能有效增加模型对分割目标位置信息的关注。此外,为了让网络模型提取的特征信息最大化利用,提出了双向跳跃连接结构,增加了连接解码端输出和编码端输入的反向长连接。最后,借鉴了U2-Net中特征融合模块的思想,根据分割网络的特性改进了U-Net++的主体结构。在两个公开的数据集上与U-Net和其他经典改进网络相比,本文提出的模型既降低了计算复杂度又提升了分割精度,具有最优的分割效果。(3)针对UNe Xt网络在简易数据集中分割精度不高的问题,提出了一种基于残差和多维卷积注意力的多尺度融合网络。该模型对UNe Xt网络的卷积阶段进行了改进,首先,提出了多维卷积注意力模块添加在模型的跳跃连接中,通过融合不同维度的注意力权重,过滤掉噪声等不重要的信息。其次,在解码器部分,针对超声图像中目标形态多变的问题,提出了一种基于残差的多尺度融合模块来代替卷积模块,利用并联的空洞卷积以及不同大小的卷积核来获取不同感受野下的特征信息。最后,利用新的损失函数帮助模型更好的分割出图像中的细节信息。实验结果表明,本文提出的模型在计算复杂度小幅度上涨的同时显著的提升了分割精度,对于超声图像中的细节信息也具有更好的分割效果。

基于深度学习的脑肿瘤图像分割研究与实现

这是一篇关于脑肿瘤分割,语义分割,注意力机制,空洞卷积,分组卷积的论文, 主要内容为对于脑肿瘤核磁共振图像进行分割是对其进行更好的医疗诊断和治疗规划必不可少的步骤。现有的以3D U-net为代表基于深度学习的分割模型尽管能够达到较为准确的分割,但依然存在一些问题:首先3D U-net对于脑肿瘤本身的特性利用不够充分,精度仍然有上升的空间;其次对算力资源有较高的要求,结构上存在一些缺陷。针对以上的理由,本文的工作主要围绕如何提高脑肿瘤分割精度进行展开,同时缓解3D模型对于算力资源的需求。通过在U-net之中引入注意力机制、分组空洞卷积等算法模块,实现了在降低算力消耗的情况下进行准确分割的任务。本文的主要工作内容如下:(1)提出了一种双路注意力机制。双路注意力机制主要由空间注意力支路和通道注意力支路组成。在低级特征通过跳层连接时,双路注意力模块可以作为编码器和解码器之间的缓冲,通道注意力通过在空间尺度上压缩输入图像从而将信息浓缩在单个体素中,而空间注意力通过分别用两次提取十字范围内的空间信息以得到空间权重图,两者协同作用就能缓解语义鸿沟,提高低级特征的利用率。嵌入双路注意力模块的U-net比baseline模型提升了2%左右的dice精度。(2)提出了一种多通路空洞卷积块。当图像输入时,多通路空洞卷积模块可以通过按照通道维度分组卷积的方式降低参数消耗,并且通过不同支路采用不同空洞率的方式提供更多的上下文信息,从而使得模型能够进行更加精确的分割。在多通路空洞卷积块之外引入了残差支路,避免了深层网络会出现的训练问题。引入多通路空洞卷积块的网络相比原始3D U-net节约了2M的参数总量,在实际训练中,显存占用也节省了18%左右。(3)基于以上两个工作进行整合,本文提出了一种MP(Multi-path)U-net,并通过Bra TS2020数据集对其进行实验,MP U-net总体参数量相比3D U-net降低了10%左右,在ET、WT以及TC区域上的dice精度分别达到了76.61%,89.05%,78.42%。证明了该模型能够用更少的参数量实现更好的效果。(4)本文基于模型实际应用用户的需求分析,以Spring Boot为基础框架设计并实现了一个脑肿瘤辅助分割系统并进行了相应的测试。对算法模型的实际落地进行了尝试。

基于机载LiDAR点云数据的建筑物屋顶轮廓提取方法

这是一篇关于点云分类,法向量,空洞卷积,损失函数,残差网络,轮廓提取,Alpha-shapes算法,规则化的论文, 主要内容为激光雷达(Light Detection and Ranging,LiDAR)是一种主动的遥感系统,它能快速获取垂直精度较高的地表三维信息。LiDAR点云是建设三维数字城市的重要数据源,为建筑边界测绘提供了足够的三维空间信息,可用于获取和更新城市建筑、道路等。建筑轮廓的提取和归一化是目前建筑和城市三维建模的关键,从机载激光扫描点云中提取建筑物轮廓是摄影测量、遥感和计算机视觉等领域的研究热点。本文以从机载LiDAR点云中提取建筑物屋顶轮廓为研究对象,首先利用深度学习算法实现机载LiDAR点云的精细化分类,得到了准确的建筑物屋顶点云数据集群,然后利用聚类算法对其进行单体化,从中选取具有代表性形状的建筑物屋顶点云数据,最后通过基于Alpha-shapes算法实现了建筑物屋顶轮廓提取。因此,本文针对其包含的两个关键技术环节:LiDAR点云分类以及建筑物屋顶轮廓线提取展开研究,主要研究内容及成果如下:1、针对现有的深度学习算法存在点云特征损失大、点云语义挖掘不足和分类精度不高等问题,本文提出了一种融合法向量特征与空洞卷积残差网络,实现在复杂场景下LiDAR点云数据的分类。该网络基于RandLA-Net网络结构,将空洞卷积融合到残差模块中,用于点云全局和局部特征的提取,空洞卷积通过扩大感受野学习到更多有价值的点云特征信息。然后将点云法向量嵌入到RandLA-Net网络的局部特征聚合模块中,提取局部语义聚合特征,融合点云深层次的特征,挖掘点云的细粒度信息,提高模型在复杂场景中的分割能力。最后,针对点云数据各类别分布不平衡的问题,采用重加权的方式改进原有的损失函数,防止过拟合现象,抑制大目标类别在训练过程中的主导作用,从而能有效地提高分类性能。通过对ISPRS网站提供的德国Vaihingen城市3D语义数据集的实验分析,验证了本文所提算法具有较强的泛化能力。本文所提算法在Vaihingen城市3D语义数据集上中建筑物屋顶的F1值达到了99.2%,实验证明,本文算法充分利用了激光点云数据的语义特征,有效地提高了点云分类的准确性,能够实现精准提取出整个建筑物屋顶点云集群。2、针对建筑物形状不规则且复杂多样等多种因素,导致现有建筑物轮廓提取方法存在适应性较差等问题,本文提出一种基于Alpha-shapes算法的建筑物屋顶轮廓提取方法。Alpha-shapes算法虽然原理简单、容易实现,但该算法获取的轮廓线呈锯齿状,无法反应建筑物的规则性。所以,本文首先采用随机抽样一致(Random Sample Consensus,RANSAC)算法拟合轮廓线,通过确定建筑物屋顶的主要方向对轮廓线进行规则化处理,然后合并规则化之后的多个平行线段,规则化后的建筑物屋顶轮廓线存在比真实屋顶轮廓偏小的情况,因此对轮廓多边形进行扩展处理,最后通过相邻轮廓线依次相交确定屋顶角点的坐标。通过与Concave-hull算法做对比实验,验证本文算法的有效性和实用性。实验结果表明,本文所提出的方法能够获得准确的建筑物边缘,对各种形状建筑物均有较强适应性,可为建筑物三维模型重建等应用提供稳定、可靠的建筑物外轮廓信息。该论文有图33幅,表10个,参考文献75篇。