基于TCF与ESABiNet的推荐系统研究与设计
这是一篇关于时间因子,协同过滤,特征重要性,通道注意力机制,推荐系统的论文, 主要内容为随着各行各业的飞速发展,特别是互联网行业在近二十多年间的快速发展和壮大,许多主流互联网应用产生海量数据,然而如何利用这些数据为用户提供更优质的服务却困扰了许多互联网应用厂商,推荐系统在此背景下出现。比较流行的推荐策略是使用协同过滤算法作为召回层和基于深度学习的推荐模型作为排序层。然而传统的召回模型往往会带来较大稀疏度的用户评分矩阵,且传统的排序模型主要关注如何学习低阶和高阶特征,导致推荐效果降低。为了解决上述问题,本文在传统的协同过滤算法的基础上进行改进以及构建ESABiNet排序模型。具体研究工作如下:(1)以往的基于用户的协同过滤的做法是首先构建用户-物品评分矩阵,之后通过比较一些常用的相似度算法计算用户相似度并填充用户-物品评分矩阵,但这种方式往往导致矩阵稀疏度很大。而本文通过构造物品-物品特征矩阵,之后根据用户-物品评分矩阵和物品-物品特征矩阵得到用户-物品特征评分矩阵,然后使用这个矩阵计算相似度,在一定程度上缓解了矩阵的稀疏度。其次,我们通过改进修正的余弦相似度并融合时间因子,较大程度上提高了用户推荐准确度。(2)传统的排序模型主要关注如何学习低阶和高阶特征,然而它们忽略了通过注意力机制学习输入特征的重要性。对于提出的ESABiNet模型,本文先是通过Embedding层得到嵌入向量,然后利用通道注意力机制(EPSANET)动态学习特征的重要性,其次通过Cross Network层和Bi-Interaction层进行低阶特征交互,可以学习更加丰富的低阶特征,之后通过DNN层学习高阶特征,最后输出模型推荐结果。(3)本文使用基于时间因子的协同过滤算法作为召回层,ESABiNet模型作为排序层,并使用离线推荐和实时推荐并行策略,选择合适的冷启动方案,最终构建出推荐系统。本文的推荐系统在Windows 11系统下开发完成,并经过充分的测试,可以随着用户的深入使用,较为有效的提高推荐的准确度以及用户的满意度。
基于深度学习的人脸表情识别研究
这是一篇关于低分辨率面部图像,人脸表情识别,小尺度卷积核,超分辨率重建,通道注意力机制的论文, 主要内容为表情是人类交流过程中传递感情信息的重要媒介,因此人脸表情识别一直是计算机视觉领域的重要任务之一。现有的人脸表情识别技术已经应用在很多领域里,比如案件侦破、人机交互、医疗诊断和推荐系统等。尽管如此,在一些复杂场景下,例如:车站监控、学校监控、医院监控等,人脸表情识别的研究仍然富有挑战性。本文以提高人脸表情识别准确率为目的,研究的重点内容如下:首先为了能够在有效地提取人脸表情特征的同时,降低模型的复杂度和计算量,提出了一种基于小尺度卷积核的人脸表情识别算法。该算法充分利用了小尺度卷积核计算量小,速度快的特性,整个网络结构采用了 3×3大小的小卷积核对人脸表情图像提取特征,并选取Softmax函数对表情分类识别。本文在公共数据集CK+上的实验结果表明,所述算法在使用更少参数的同时,取得了 97.879%的高准确率。其次由于受限于成像设备及外部因素的影响,采集到的面部图像往往分辨率低、不易提取面部表情特征,从而使人脸表情识别效果不够理想。针对这个问题,提出一个基于超分辨率重建的低分辨率人脸表情识别系统。该系统是由两个深度神经网络组成。首个神经网络基于新的混合损失函数,利用简化的残差网络结构叠加构成残差块来学习面部图像的特征,重建包含更多细节的高分辨率人脸表情图像;第二个神经网络通过使用小尺度卷积核提取重建后的高分辨率图像的人脸表情特征,实现人脸表情分类。本文在公共数据集CK+上的实验结果表明,该系统有效地提高了不同尺寸的低分辨率图像表情识别的准确率,其中6×6、12×12、24×24大小重建后的表情图像分别取得93.838%、96.970%、97.374%的准确率,与未重建的表情图像的准确率比较,分别提高了 9.091%、4.647%、1.313%。最后由于不同的人对同一种表情的诠释方式不一样,会造成个体差异。然而,现有的大多数人脸表情识别算法无法很好地捕获具有判别性的表情特征,不利于表情识别的准确率的提高。针对这个问题,提出一种改进的通道注意力机制的人脸表情识别算法。该算法利用改进的通道注意力机制模块实现对重要的特征进行增强,对无效特征进行抑制的目的,完成人脸表情识别高正确率的目标。另外,为了提高该模型的鲁棒性,整个模型在训练过程中采用激活函数ELU替换ReLU。本文在公共数据集CK+上的实验结果表明,所述算法采用嵌入改进的通道注意力机制模块的方式使人脸表情识别准确率达到了 98.384%,与原先未嵌入注意力机制模型的人脸表情识别算法相比准确率提高了 0.505%。
基于U-Net网络的储层岩性识别方法研究
这是一篇关于储层岩性识别,深度学习,通道注意力机制,数据处理,网络融合的论文, 主要内容为充分挖掘储层岩性的信息,在地质勘探开发中发挥着至关重要的作用。我国正处在非常规油气资源开发的重要阶段,对储层岩性识别的要求更为精细化,测井数据是挖掘储层岩性信息的重要数据来源之一,测井数据种类众多且处理测井数据的方式越来越多样化,从最初的人工到现在的智能化识别测井数据,岩性信息的深度挖掘技术在不断进步。本文针对测井数据特征提取问题,深入研究了深度学习网络模型与储层岩性特征的关系,提出了一种适用于储层岩性识别的深度学习网络模型特征注意力融合网络模型,主要工作从以下三个方面展开:首先,针对实地矿场测井数据的问题,对测井数据进行预处理。主要对原始测井数据进行深度校正和平滑滤波处理,经过预处理的测井数据更加准确、平滑,而且消除了原始数据问题带来的误差,进行测井数据敏感性分析实验,对选取的测井数据进行敏感性验证分析,分析发现不同的测井数据对不同的岩石具有不同的敏感性,可通过多条测井数据对储层岩性进行综合识别。其次,研究对比了VGG16、Goog Le Net和U-Net三种经典的深度学习网络模型在储层岩性识别中的效果,通过对比三种网络模型的模型训练产生的准确率、召回率以及混淆矩阵,U-Net的准确率范围为71%～78%,平均准确率为74.86%,召回率范围为73%～76%,平均召回率为74.81%,分析得出U-Net模型在储层岩性识别时准确率和召回率更高且波动范围更小,其整体的识别能力更佳。最后,提出一种基于U-Net模型的储层岩性识别模型—FAF-Unet模型。模型选用U-Net为基础网络,主要针对U-Net模型缺陷进行改进:在下采样过程中添加残差块来减少“退化”现象,提高了网络模型对关键信息的提取,将特征提取的高级通道信息与低级特征结合,增加部分低级特征通道的权重,由此提出特征注意力融合模块(Feature Attention Fusion Block)。FAF-Unet是一种融合残差块和通道注意力机制的网络模型,能够充分挖掘岩石沉积序列和特征通道之间的信息,能够有效提高储层岩性分类性能。
面向茶叶病虫害领域的实体关系抽取研究
这是一篇关于茶叶病虫害,远程监督,实体关系抽取,通道注意力机制,门控模块的论文, 主要内容为茶叶病虫害是制约茶叶产业发展的重要因素,一直备受茶农关注。目前随着网络的发展,出现了大量和茶叶病虫害相关的无结构化或半结构化的文本,传统的搜索方法无法高效精准的获取茶叶病虫害领域的相关信息,由于知识图谱能实现实体的语义搜索、实体间的关系搜索,所以构建关于茶叶病虫害领域的知识图谱势在必行。关系抽取作为构建茶叶病虫害知识图谱的核心步骤,主要是提取两实体间的语义关系。本文采用了深度神经网络和远程监督学习实现了面向茶叶病虫害领域的实体关系抽取,为构建茶叶病虫害知识图谱奠定了基础。本文主要工作集中在以下三个方面:(1)使用远程监督的方法构建了茶叶病虫害领域的语料。首先利用领域知识采用三元组的形式构建茶叶病虫害领域一个小型知识库;接着利用实体尽可能爬取出训练的文本语料,解决训练语料数量过少的问题;其次,对语料文本进行过滤清洗、分词等处理,接着利用所构建的知识库与处理后的文本自动对齐,完成语料的标注工作;最后对语料文本进行了无监督训练,获取了语料文本相关的词向量,更好的提取文本特征。(2)提出了一种基于通道注意力机制的茶叶病虫害实体关系抽取研究方法。在远程监督关系抽取任务上PCNN模型常被用作于提取句子语义特征,在其提取过程中,以两个实体为界限将句子划分为三段,进行最大池化,存在的问题是无法区分哪一段对于最后句子的分类任务具有较大的贡献。针对于此问题,我们借鉴于图像领域里面所使用的通道注意力机制,给经过卷积后的每一个句子分段分配一个不同的权重,使得对于最后的关系分类任务具有重要作用的关键句子分段的权重变大,突出PCNN中关键分段的影响,有效的挖掘出句子特征,以此来提高模型的准确率。(3)提出了一种基于门控模块的茶叶病虫害关系抽取研究方法。针对语料中出现包中所含句子全是噪声句子的情况,前人提出在包的基础上构造“超包”,再次使用注意力机制,效果依然不佳的问题。基于此,本章节提出了基于门控模块的关系抽取解决方法,该方法旨在通过包间注意力机制分配权重之前,通过该模块对包的语义特征向量先行进行过滤,使得部分噪声包完全被过滤掉。以此来降低噪声句子对模型的干扰,进一步提高模型的准确率。实验结果表明,相比于传统关系抽取方法,模型在采取通道注意力机制和门控模块等两种改进方案后,准确率、f1等指标都有明显提升。
基于生成对抗神经网络数字水印技术的图像版权保护方法
这是一篇关于数字水印,深度学习,生成对抗网络,通道注意力机制,微服务,Spring Cloud的论文, 主要内容为数字水印技术随着互联网的快速发展越来越受到关注,它是解决数字版权问题的一种有效方法。然而,由于载密信号损失等问题,如何保证水印的透明性和鲁棒性仍然具有挑战性。本文提出了一种基于生成对抗式网络的数字水印嵌入和提取方法,通过将水印图像嵌入到宿主图像中,在受损的载密图像中高质量地还原出水印图像,从而有效地保护版权。在水印提取过程中,本文引入了基于U型网络的子网络结构,并增加通道注意力机制以提高特征提取能力。此外,本文还引入了鉴别者子网络来增加水印图像损失,以进一步提高水印提取的质量。实验结果表明,本文算法在受损载密图像中提取水印图像的质量最好,可以更好地还原原始的水印图像内容细节。值得强调的是,本文方法相对于其他方法具有更好的鲁棒性和透明性,这意味着该方法可以更好地应对不同类型的攻击。除此之外,本文还将提出的水印算法模型应用到数字水印版权保护系统中,并开发了基于微服务架构的后端服务,实现了水印嵌入、检测版权和用户管理等功能。经过系统功能和非功能测试,实验测试结果稳定,符合设计预期。因此,本文的研究贡献在于提出了一种基于生成对抗式网络的数字水印方法,该方法具有更好的鲁棒性和透明性,并且在数字水印版权保护系统中具有实际可行性和广泛应用价值。未来,该方法可以被广泛应用于各种数字媒体内容的版权保护。
基于噪声CT影像的新冠肺炎辅助诊断方法研究
这是一篇关于低剂量CT影像,辅助诊断,噪声抑制模块,软阈值函数,通道注意力机制的论文, 主要内容为在当今临床上的疾病辅助诊断方式中,计算机断层扫描(CT)是其中最有效的方式之一。然而,CT检查时的高辐射危害一直是人们所在意的一个问题,盲目使用低辐射剂量,会使得所重建出来的CT影像噪声急剧增多,从而大大影响了诊断效果。相比人工诊断,使用深度学习技术进行辅助诊断可以更容易关注到噪声CT影像的病灶特征。因此本文中提出了可以面向噪声CT影像的深度学习方法,使其能够应用于低剂量CT(Low-Dose CT,LDCT)影像的辅助诊断中,在能够辅助医疗人员对LDCT影像进行疾病诊断的同时,还可以尽量降低患者做CT检查时受到的辐射剂量,保障其身体健康。本文研究的主要工作内容如下几个方面:(1)针对真实的LDCT影像数据集难以获取的问题,我们自主构建了一种含有噪声的新冠肺炎LDCT数据集(COVID-19-LDCT)。在这个过程中,首先收集了常规剂量的新冠肺炎CT(COVID-19-CT)数据集,并对该数据集进行了预处理,以及使用Smote算法解决了数据集中类别不平衡问题。随后对LDCT影像中的噪声成分进行了分析,根据其原理与数学关系自主建模了该类噪声。最后通过在COVID-19-CT数据集上添加上述建模的噪声,构建了COVID-19-LDCT数据集。(2)针对LDCT影像中存在大量噪声,不利于神经网络进行准确诊断的问题,提出了一种可用于抑制噪声的模块NS(Noise Suppression),并将其嵌入至Res Net模型的残差单元(Residual Block Unit,RBU)中。通过这种方式改进的Res Net有两种形式,一种是通道间阈值相同(Channel-Same,CS)的Res Net-CSNS,另一种是通道间阈值不同(Channel-Different,CD)的Res Net-CDNS。NS模块由软阈值函数与SE通道注意力机制组成,软阈值函数可以协助模型过滤CT影像中的噪声特征,以此达到抑制噪声的目的;SE注意力机制则用于协助为特征的每个通道自适应设置阈值,解决软阈值函数中的阈值设置难题。通过在COVID-19-LDCT数据集上实验,结果表明该模块能够有效提高模型在噪声CT下影像的分类性能。(3)在上述研究的基础上,提出了一种性能更优秀且更轻量的噪声抑制模块ENS(Efficient Nosie Suppression)。为了能够进一步提高模型在LDCT影像上的诊断性能和效率,我们对上述的NS模块进行了进一步的改进。首先是针对软阈值函数在早期训练过程易将部分未被及时关注到的有用特征清除的问题,通过在其梯度为0的部分添加了适当的梯度,设计了Leaky-软阈值函数。该新型软阈值函数使得模型能够在具备噪声抑制功能的同时,还增强了对特征的保护能力,防止有用信息的丢失,以此提升模型在噪声CT影像下的分类性能,通过实验表明了该改进方法的有效性。其次是针对SE注意力机制带来的高参数量问题,通过引入更轻量的ECA注意力机制取代SE,大大减少了抑噪模型中的参数引入,以此提高了模型的分类效率。(4)为了避免本研究中所提出的噪声抑制方法在适用场景上出现单一性的问题,我们将ENS分别应用于Res Net与Mobile Net V2模型中,提出了Res Net-ENS和Mobile Net V2-ENS。前者准确率更高,但参数量相对较多,适用于在具备一定算力的计算机等设备实现精确诊断;而Mobile Net V2-ENS模型是非常轻量化的,因此适用于在移动式或嵌入式设备实现快捷诊断。
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：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/48576.html
