9篇关于密集连接网络的计算机毕业论文

今天分享的是关于密集连接网络的9篇计算机毕业论文范文, 如果你的论文涉及到密集连接网络等主题,本文能够帮助到你

基于深度神经网络的DNA-蛋白质结合位点预测研究

这是一篇关于DNA-蛋白质结合位点,DNA形状特征,密集连接网络,容错编码,多尺度卷积的论文, 主要内容为能够与基因上游的特定核苷酸序列结合的蛋白质被称为转录因子,转录因子结合位点是指与特定的转录因子结合的DNA片段,它被称为基序,通常位于基因的上游区域。准确预测DNA-蛋白质结合位点(DNA-protein binding sites,DPBS)对于研究基因表达的调控机制具有重要的生物学意义。近年来,随着生物信息技术的快速发展,先进的深度神经网络被引入该领域,显著提高了DNA-蛋白质结合位点的预测性能。然而,这些预测方法主要是基于Ch IP-seq技术测量的DNA序列,没有考虑到基序序列可能出现的部分变异和测序技术本身的错误。此外,大部分的预测方法只考虑了DNA的序列信息,而忽略了其形状特征。同时,在模型设计阶段,大多数方法只考虑了使用固定的基序长度来捕获DNA序列中的结合特征,而结合位点的长度却不是固定不变的,这样的特征提取方式显然是不充分的。针对上述存在的问题,本文从特征表示和网络结构设计出发,设计了两种用于DNA-蛋白质结合位点预测的解决方案,主要工作内容如下:(1)本文同时考虑了DNA的序列信息和其形状特征,并在密集连接网络的基础上设计了一种用于预测DNA-蛋白质结合位点的深度神经网络Shape-Dense Net。混合的编码方式能够为神经网络的训练提供更多的特征,实验表明,通过将DNA序列信息和其形状特征结合,DNA-蛋白质结合位点的预测性能得到了一定的提升。(2)本文提出一种容错编码机制用于将DNA序列转换为神经网络的输入,该机制考虑了基序序列可能出现的部分变异和测序技术本身的错误,丰富了神经网络的输入特征。同时,针对转录因子结合位点长度不固定的特性,本文设计了一种多尺度密集连接网络结构(MSDense Net)。实验表明,通过将容错编码与多尺度密集连接网络结合,显著提升了DNA-蛋白质结合位点的预测性能。(3)本文基于Spring Boot框架,开发了一款DNA-蛋白质结合位点预测系统,方便了相关领域的科研工作者能够便捷、高效地确认待预测DNA序列中是否包含转录因子结合位点。

基于深度神经网络的DNA-蛋白质结合位点预测研究

遥感图像深层特征提取的轻量级时空融合卷积神经网络

这是一篇关于深度神经网络,多尺度特征融合,注意力机制,密集连接网络,复合损失函数的论文, 主要内容为同时具有高时间分辨率和高空间分辨率的遥感图像对于监测地表异质景观至关重要。然而,由于卫星传感器硬件技术以及发射预算等因素的限制,获取具有高时空分辨率的遥感图像并不容易。这使得国内外的研究学者将目光集中到对现有卫星观测数据进行后处理,从而获取所需的高时空分辨率数据。在深度神经网络中,相对于图像的一些基本属性:颜色、纹理、形状等特征,深层特征即通过设计网络模型来挖掘图像更为抽象、更高级的特征。在时空融合领域中,为了提高融合图像的精度,通常会加深网络模型的深度,来挖掘图像更深层次的特征,以提高模型的拟合效果。然而,随着网络深度的不断增加,会带来过拟合的问题,这样反而会降低融合图像的精度。为了缓解这一问题,本文通过已有的深度神经网络知识,并结合一些时空融合领域的相关知识,提出了针对于时空融合任务的深层网络架构,并设计了适用于时空融合任务的复合损失函数,来进一步提高融合图像的质量。主要研究工作如下:1.研究基于注意力机制的多尺度时空融合方法。将多尺度特征融合引入时空融合任务中,获取输入图像不同尺度的空间细节和时间变化。通过引入空间-通道注意力机制来使网络在学习过程中不仅考虑空间特征的表达,也会关注通道信息。该网络主要通过多尺度特征融合网络来针对不同输入提取网络的多尺度特征信息,通过特征图逐元素相加方式合并多尺度特征,然后采用高效的空间-通道注意力机制来过滤融合特征,最后通过卷积在特征空间重构融合图像。提出使用基于卷积操作的拉普拉斯算子作为边缘损失函数,并且采用复合损失函数的形式代替单一的像素级损失函数。通过与其他时空融合方法的对比试验表明该方法可以生成更高质量的融合图像。2.研究以密集连接网络为主体结构的时空融合方法。针对于密集连接网络中的Dense Net-BC模块,研究其提取网络深层特征的能力。为了能有效的提取时空融合网络中的深层特征,同时使得所提取的特征具有更强的表达能力,通过改进了传统的Dense Net-BC模块,并将其应用于时空融合网络中。采用了自定义的复合损失函数来代替单一的像素级损失函数,并使用基于卷积操作的Sobel算子作为新的边缘损失函数。实验表明所提出的时空融合网络能有效提高融合图像的质量。

基于Dense U-Net的脑影像分割算法及其应用研究

这是一篇关于等强度期,婴儿脑影像分割,深度学习,密集连接网络,膨胀卷积的论文, 主要内容为对脑组织进行精确的定量分割是进行脑发育评估和脑外科手术规划的前提,许多神经疾病发源于婴幼儿脑发育时期,因此实现对婴幼儿脑发育的评估尤为重要。脑磁共振成像(MRI)可以对婴幼儿不同脑组织的厚度、体积、含水量等物理量进行定量分析,然而由于婴幼儿拍摄脑MR影像时难以保持静止和婴幼儿脑发育不成熟,给婴幼儿脑MR影像带来了运动伪影、图像质量差、组织对比度低、边界模糊等固有问题。尤其在等强度期,婴儿脑影像的灰质白质信号强度十分接近,导致灰质白质在这个阶段对比度很低,这使得等强度期的婴儿脑影像分割成为了当前医学影像分割领域的热门难题。本文对等强度期婴儿脑影像分割存在挑战的原因进行了分析,针对分析的原因对现有语义分割算法做出改进,并将我们的方法嵌入脑影像分割平台,本文的主要工作内容有:(1)本文基于多模态多流输入特征和密集连接的思想提出了一种新颖的脑影像分割网络Dense U-Net,为了提取多模态的复合信息,该网络包括三条输入流,分别为T1模态输入流、T2模态输入流和T1模态与T2模态前向融合的输入流,三条输入流在下采样阶段通过我们设计的密集连接结构提高特征复用与特征互补。(2)本文从神经科学的角度分析了等强度期婴儿脑影像对比度低的原因,脑发育的髓鞘化阶段增加了施万细胞构成包裹神经纤维的髓鞘,其主要成分为类脂质,使得白质和灰质的物质构成趋近相似;基于神经科学分析和分割网络的实验结果,我们对Dense U-Net做出了改进,为了改善对脑组织区域结构走向和精细结构特征的提取,本文网络在卷积操作中,通过使用融合多膨胀率的三维膨胀卷积核组合来代替普通三维卷积核,在使用更少参数的情况下兼顾大感受野中多尺度的短程和长程特征信息。我们在MICCAI举办的等强度期婴儿脑影像分割竞赛iSeg2017的数据集上训练和验证了我们的模型,并将结果和目前已有的方法比较,取得了优良的表现,尤其在白质分割上,我们的方法取得了最高的Dice系数。(3)本文开发了一个在线脑影像分割平台,将提出的脑影像语义分割方法应用到该平台,一方面可以让用户方便地在web端分割脑影像并可视化分割结果,一方面为未来开发基于交互的脑影像分割方法做技术预研。

基于改进DenseNet网络的胸部多疾病分类研究

这是一篇关于胸部多种疾病,特征提取,医学图像分类,密集连接网络的论文, 主要内容为胸部疾病指影响胸部的各种疾病,其中包括心脏肥大、肺水肿、胸腔积液等,这些疾病给患者和医疗保健系统都带来了很大的挑战,患者需要接受长期治疗和管理,不仅降低患者生活质量和日常生活活动能力,还对患者和家庭造成健康和经济负担,因此及早治疗能够提高治愈率,减少死亡率。胸部X射线检查是一种非侵入性的检查方法,在临床上广泛应用,它作为一种快速筛查工具,可以检测到胸部多种疾病,有助于及早发现和治疗胸部多种疾病。随着生活水平逐渐提高,人们对健康关注度也日益增高,出现了医学影像数据爆发式增长而放射科医生不足的医疗资源不平衡问题,所以能够辅助放射科医生进行疾病识别的智能诊疗方式是国内外研究人员为此努力的方向。深度学习的出现使得图像分类、目标检测等领域取得显著成果,促进了医学图像分类、检测的发展。本论文主要研究将深度学习中的神经网络应用于胸部X射线图像中,用以解决疾病多分类的问题。第一部分的研究为:DenseNet网络通过层与层之间密集连接的方式,实现了特征的重用,在疾病分类中发挥巨大作用,因此将该网络作为基础网络并进行优化。首先,构建DS-Net121网络,将动态激活函数(Dynamic ReLU,DYReLU)中的DY-ReLU-A函数应用于模型的第一个卷积块以及每个Denselayer层中的第一个激活函数位置,其它层保持不变。该方法保证网络稀疏性的同时也能增强其自适应性;其次,在过渡层使用SoftPool池化,用来解决下采样带来的信息丢失问题,这种方式的改进使得特征表达能力增强,同时避免疾病重用特征丢失造成分类误差;最后,将DS-Net121网络与高效通道注意力(Efficient Channel Attention,ECA)机制融合,关注特征图中不同通道的重用程度,抑制不重要信息表达。在CheXpert数据集上的实验结果显示分类平均AUC为0.897,表明该方法在多种疾病分类任务上有一定效果。在第一部分内容的研究基础上,为进一步获得更高的分类精度,采用卷积神经网络(Convolutional NeuralNetworks,CNN)与Transformer各自的优势。研究过程中借鉴BoTNet网络思想,在DenseNet网络中嵌入多头自注意力机制。在CNN网络捕捉局部特征时,多头自注意力机制发挥全局补偿作用,使特征提取更充分,同时在过渡层使用Meta-ACON激活函数,以线性-非线性切换因子自适应地选择是否激活,从而增强网络的泛化能力。最后嵌入金字塔分割注意力(Pyramid Split Attention,PSA)机制,更细粒度的提取特征,提高分类精度。最终实验结果显示分类平均AUC为0.898,表明改进的模型在胸部多种疾病分类中有一定的效果。

基于深度神经网络的DNA-蛋白质结合位点预测研究

基于ST-GCN的人体行为识别方法研究

这是一篇关于行为识别,ST-GCN,注意力机制,密集连接网络,人体行为识别软件的论文, 主要内容为人体行为识别作为计算机视觉领域热门方向,在许多领域都得到广泛应用,例如智能安防、智能车辆、智能医疗等领域。随着视频多媒体的飞速发展,人体行为视频数量与日俱增,对于视频中信息的提取需要准确高效的算法作为支撑。目前对于人体行为识别领域当中复杂背景及人体差异性带来的干扰,采用骨架序列数据作为行为记录数据,能够有效避免光照、背景等带来的问题。本文以人体骨骼数据作为网络输入,提出基于改进的时空图卷积神经网络人体行为识别方法,设计实现功能完备的人体行为识别软件,完成软件功能与性能的测试。论文主要工作如下:1.在卷积神经网络、图卷积神经网络和传统的ST-GCN网络研究基础之上,提出对时空图卷积网络的改进。首先,融合密集连接网络思想重构其网络结构。重构后的网络模型通过特征重用减少网络不同层之间的特征依赖,利用少量的计算得到更加丰富的特征图,使得获取的特征更加健壮并提升网络性能。其次,在改进的时空图卷积层中引入非局部注意力机制。引入注意力机制后充分提取动作发生时关节点之间信息,提高改进后的时空图卷积网络模型动作识别准确率。最后,将改进后的算法模型与传统的ST-GCN网络进行对比,改进后的算法模型在NTURGB+D数据集中准确率分别提高了1.9%(X-Sub)和2.5%(X-View)。相比较于部分主流算法准确率稍低,但是其算法模型参数量有了显著减少,改进后的算法模型在准确率和参数量之间达到一个较好的平衡。2.对人体行为识别软件使用B/S架构进行设计与实现。人体行为识别软件根据需求分析,业务功能主要包括用户管理模块、数据检索模块、行为识别模块、行为告警模块等。服务器端基于Spring Boot框架完成后端功能逻辑代码的编写,协同使用Pytorch深度学习框架对改进的时空图卷积网络模型进行构建,软件用户数据和视频文件资源使用My SQL数据库和Fast DFS文件服务器进行存储。3.对人体行为识别软件进行测试工作。搭建软件测试所需要的环境,并针对不同的业务功能需求,依照国家标准GB/T25000.51-2016编写相应的功能测试用例,结合不同的测试方法完成软件功能测试。利用第三方测试工具JMeter进行了软件性能测试,验证人体行为识别软件的性能。测试结果表明该软件各项功能能够正常使用,软件性能表现符合国家软件标准,验证了人体行为识别软件具有一定的实用性。