5个研究背景和意义示例,教你写计算机数据增广论文

今天分享的是关于数据增广的5篇计算机毕业论文范文, 如果你的论文涉及到数据增广等主题,本文能够帮助到你

基于深度模型迁移学习的花卉图像分类方法

这是一篇关于深度模型,迁移学习,图像分类,多任务学习,数据增广,网络爬虫的论文, 主要内容为图像分类是目前人工智能、模式识别领域的重要研究方向之一。花卉图像分类,是以花卉为目标,对图像中的花卉进行生物学分类;其在植物物种研究与保护、园林花圃智能化管理中具有重要应用价值。花卉图像类别数量多、类间差异小、类内差异大、背景复杂、样本数量少,对其准确分类往往难度较大。针对花卉图像数据的这些特点,本文以深度模型、迁移学习和多任务学习为理论指导,进行花卉图像分类研究。主要工作内容如下:(1)针对特征描述算子设计难度大、特征提取能力弱,以及深度模型结构复杂、参数规模大、难以拟合小数据集的问题,提出基于深度模型迁移学习的细粒度图像分类方法。首先,通过在粗粒度图像数据集上进行预训练,使深度模型参数分布具备自然图像特征提取能力;然后,对深度模型进行局部训练,使其在细粒度图像数据集上进行迁移。实验结果表明,在102类花卉图像数据集上,分类准确率达到96.27%;此外,在120类狗、200类鸟、37类猫和狗、196类汽车图像数据集上,该方法亦分别得到72.23%、73.33%、86.00%、89.72%的图像分类准确率,具有较好的准确性与泛化性能。(2)深度模型的训练往往需要非常大的数据规模、非常多的差异特征,以满足模型中庞大的参数规模要求;然而,细粒度图像数据集规模相比粗粒度图像数据集规模要小得多。虽然对原始数据进行不同方式的修改,可以实现数据增广,但引入的差异特征不够明显,因而性能提升有限。为此,提出基于网络爬虫的外部数据增广方法。首先,在社交平台、搜索引擎上(例如Instagram、Flickr、Google、Bing、Baidu),根据Hashtag、Keyword的搜索结果,无差别爬取图像(难免包含大量冗余图像);然后,对冗余图像进行筛选、整理,生成增广数据集;最后,使用增广数据集取代原始数据集,对模型进行迁移训练。实验结果显示,在增广后的102类花卉图像数据集上,图像分类准确率达到99.41%,较原始数据集提高3.14%。相比于原始数据集,使用外部增广数据能够有效提高分类准确率。(3)根据实际需求,设计、实现基于B/S架构的花卉图像分类原型系统。首先,将迁移模型导出、参数冻结、线上部署;再通过浏览器远程调用服务器上的模型进行图像分类,并在WEB端给出分类结果。在6种移动终端上进行测试,结果显示,在共计18幅花卉图像中,仅有2幅结果为Top-2,其余均为Top-1;在不考虑网络延迟的情况下,服务器响应速度控制在40ms以内。证明本系统具有较高准确性与即时性。

图卷积神经网络对图的结构推理能力研究

这是一篇关于图神经网络,组合优化,结构性质,数据增广,时序优化的论文, 主要内容为图结构数据在自然科学和社会科学中无处不在。近年来,关于图深度学习的研究大量涌现,包括深度图嵌入技术、卷积神经网络向图结构数据的推广,以及受信息传播启发的神经信息传递方法。图深度学习的这些进展已经在许多领域产生了最先进的结果,包括化学合成、计算机视觉、推荐系统和社会网络分析等。本文从图神经网络的强大信息提取能力出发,分析图神经网络捕捉更高层次图信息的能力,以及图神经网络在时序优化上的应用。主要工作如下:(1)对于图分类任务,现有的图分类工作主要集中在图的物理结构和实际性质两个方面。本文从一个新的角度来考虑图的分类问题,即结构性质。通过图的最大团、最小顶点覆盖和最小支配集等结构性质来定义图的相似性。为了捕捉这些结构特征,本文设计了一个自适应motif来挖掘节点之间的高阶连通信息。此外,为了在图池化阶段获得唯一的下采样,本文提出了一种去相关池化方法。通过在几个人工生成的数据集上的大量实验表明,本文所提出的模型可以有效地对具有相似结构性质的图进行分类。并与基线方法进行了实验比较,验证了自适应motif图卷积网络的有效性。(2)由于图神经网络经常被设计为端到端的学习框架,研究图的拓扑结构和节点特征对图神经网络学习性能的影响是一个根本的问题。因此本文中首先提供了几个实验来评估拓扑结构和节点特征对图神经网络学习性能的影响。在此基础上,从图的拓扑结构和特征矩阵的角度出发提出了四种可选的图结构数据增广方法。同时,在一些高维问题中,不能直接依赖于监督信息,因此本文通过一致正则项来约束非监督信息。在不同的图分类数据集上的实验证明了该方法的有效性。(3)时序优化是电子设计自动化(EDA)工具中的一个关键流程,目标是确保芯片设计在功能上是正确的,并且性能符合设计要求。时序约束通常包括三个方面:时序设计规则约束、保持时间约束、建立时间约束。不满足这些约束会发生时序违例,时序优化是对时序违例进行优化修复的手段。对于时序图,它天然具有图的特征和性质,本文介绍了修复时序违例的常用方式,并结合图神经网络算法,探究该算法在时序优化方面的应用前景。

基于图像识别的可回收垃圾检测系统设计与实现

这是一篇关于目标检测,注意力机制,数据增广,YOLOv5的论文, 主要内容为农村美丽环境的建设是乡村振兴战略的重要组成部分。在农村生产生活水平提高的同时,农村地区存在着村民垃圾治理意识不强和垃圾处理基础设施落后等问题。农村垃圾治理成为美丽乡村环境建设中亟待解决的问题。大量的垃圾会对土壤和空气造成污染,还会影响水源的质量,进而影响农作物的生长和品质。垃圾堆积在农村的街道、田间地头等地方会影响农村的景观,降低美丽乡村建设的质量。通过对垃圾进行回收,可以提高资源利用效率,减少垃圾对环境的影响,为农业行业带来更好的经济效益。本文以玻璃瓶、塑料瓶、金属罐、纸制品、塑料、锡箔纸六种可回收垃圾作为研究对象,针对以上六种垃圾提出结合目标检测算法的可回收垃圾识别方法。本文的主要工作如下:(1)制作可回收垃圾图像数据集。本研究从开源数据集共收集到4272张垃圾图像,然后进行数据清洗和数据增广得到6758张含有可回收垃圾的图像,并将其制作成含有多种不同环境背景的可回收垃圾图像数据集。(2)研究目标检测算法在可回收垃圾识别领域的应用。将制作的可回收垃圾图像数据集通过SSD、Faster R-CNN和YOLOv5的五种不同大小网络分别进行训练,通过对比分析实验结果中的mAP和FPS评价指标得出YOLOv5m在可回收垃圾图像数据集中综合表现效果最佳。YOLOv5m本身对数据集内小目标检测效果不佳,因此本文通过添加注意力机制提高小目标检测效果。在对YOLOv5m添加五种注意力机制后进行对比,通过实验结果得出CA注意力机制在可回收垃圾图像数据集上综合表现效果最佳,mAP提高2.1%达到87.7%。因此将加入了CA注意力机制的YOLOv5m模型作为本研究最终的目标检测模型。(3)设计并实现可回收垃圾检测系统。系统采用前后端分离架构,前端使用Vue框架,后端使用Flask框架。系统的主要功能有图像检测,视频检测和压缩包批量检测。用户上传相关文件后,系统能够识别可回收垃圾种类并将检测结果展现给用户。同时用户可以在系统内查看历史检测记录。