给大家推荐7篇关于全局特征的计算机专业论文

今天分享的是关于全局特征的7篇计算机毕业论文范文, 如果你的论文涉及到全局特征等主题,本文能够帮助到你

基于注意力机制的多尺度点云分类方法研究

这是一篇关于注意力机制,Transformer,点云分类,深度神经网络,交叉注意力机制,局部特征,全局特征的论文, 主要内容为点云作为一种重要的几何数据形式,有效地提取其丰富的几何信息是各类点云数据处理问题的关键。点云几何信息包括点的空间位置关系、点特征通道之间的关系、点云局部几何结构关系。针对目前三维点云分类方法未能综合利用上述点云几何信息,提出了一种基于注意力机制的多尺度点云分类模型,以综合利用点空间位置关系、点特征通道之间的关系、点云局部几何结构之间的关系。首先,通过最远点采样和K最近邻算法获取多尺度点云块。其次,通过点注意力和通道注意力融合模块获取点云局部特征。然后,通过Transformer编码器进行每种尺度局部点云块之间的信息交互得到单一尺度点云块交互后的嵌入序列。最后,使用交叉注意力融合模块进行多尺度点云块特征融合。点注意力和通道注意力融合模块结合点空间和通道关系,有效提取点云局部几何信息;交叉注意力融合模块在一次时间复杂度下,能有效融合多尺度局部点云块特征以生成全局特征。在点云识别基准测试中,在Model Net40和Scan Object NN数据集中分别取得了93.9%和82.8%的准确率;在Shape Net Core v2数据集上进行预训练,然后在Model Net40和Scan Object NN数据集上微调,准确率分别达到94.3%和83.5%,相比之前方法取得了非常有竞争力的表现。因此,所提出的模型能有效捕捉点云不同几何结构的语义信息,使点云识别结果更加准确。该论文有图32幅,表12个,参考文献63篇。

融合序列依赖与全局特征的会话推荐算法研究与实现

这是一篇关于会话推荐,序列特征,全局特征,注意力机制,图神经网络的论文, 主要内容为推荐系统作为解决信息过载的重要手段之一,不仅可以帮助用户快速定位其感兴趣的物品,还可以充分挖掘用户的潜在兴趣。一般来说,推荐系统需要获取用户的长期历史交互信息,以此用作推荐的依据。然而,在许多真实推荐场景中系统缺乏这类用户配置文件,此时常规的推荐系统无法充分发挥其效果。因此,基于会话的推荐系统就此诞生。会话推荐不需要用户提供历史配置文件,旨在依靠会话中的交互信息来动态预测用户的兴趣偏好。如何围绕会话序列精准构建模型以及获取有效的用户兴趣表示,一直是会话推荐研究的难点。目前,针对会话推荐的研究都致力于构建会话序列中的复杂关系模型,但现有的会话推荐模型仍然存在一些问题:(1)过分注重序列间的顺序依赖关系,而忽略了序列间的其他关系;(2)缺乏从全局视角探索会话中的项目间关联。针对上述问题,本文所做工作如下:(1)为了充分挖掘当前会话序列中的项目依赖关系,本文提出一种基于序列间依赖的会话推荐模型(ISD-SR),本模型不仅利用双向长短记忆网络充分保留了序列中的顺序依赖关系,还将会话中的项目共现频次信息融入了嵌入表示。此外,模型中设计了一种门限注意力机制,可以有效过滤掉噪声特征。(2)在ISD-SR基础上,本文提出一种基于序列间依赖增强的会话推荐模型(ESD-SR),本模型保留了ISD-SR中融入项目共现频次的特征表示,用门控图神经网络捕获序列中的顺序依赖关系,并引入位置编码来获得更好表示。此外,为了探索全局视角下的物品之间的联系,本模型用图注意力网络为节点学习全局表示,以此来增强ISD-SR模型获得的特征表示。(3)本文将ISD-SR模型和ESD-SR模型在3个真实数据集中与baseline一起实验。根据实验结果,ISD-SR模型在与baseline的比较中,总体取得最佳评价,但仍有两项指标低于baseline;ESD-SR模型则在实验中各项指标取得最佳,并提升较为明显,这也证明ESD-SR模型相较其他baseline具有优越性。(4)本文在ESD-SR模型的基础上,设计了一种搭载会话推荐算法的真实原型系统。其中,前端使用Vue框架,后端使用Flask框架,旨在探索会话推荐在真实推荐场景下的应用情况。

融合序列依赖与全局特征的会话推荐算法研究与实现

基于卷积神经网络的遥感图像语义分割研究

这是一篇关于遥感图像,语义分割,全尺度跳层连接,全局特征,局部特征的论文, 主要内容为随着我国遥感技术的快速发展,遥感卫星的探测能力日益提升,传统的遥感图像分割方法无法满足精准实时地对遥感图像关键信息进行自动提取的要求。近年来,由于深度学习技术在计算机视觉领域的广泛应用,自然图像的语义分割方法取得了较大的进展。由于遥感图像中目标物体较多、背景信息复杂,将现有的自然图像语义分割方法直接应用于遥感图像中无法取得较好的结果。因此,本文针对遥感图像的特点,结合自然图像语义分割方法对遥感图像语义分割模型进行研究。主要的研究工作具体如下:(1)针对遥感图像中多个目标聚集导致边缘混淆,小尺度物体分割不明显,以及语义分割过程中对全局信息获取不足的问题,提出了一种基于混合注意力与全尺度跳层连接网络的遥感图像语义分割算法DU-net。该算法以U-net3+作为基础网络,采用全尺度跳层连接网络作为特征提取网络,摒弃了原算法中的深度监督,建立特征与注意力机制之间的关联,最终实现语义分割的过程。实验结果表明:DU-net算法在不同指标下较经典算法都有明显提升,同时提高了图像边缘分割质量,改善了算法对小尺度目标的分割的准确度。(2)针对当前多数遥感图像语义分割模型存在训练速度慢,网络层数多,参数量大等问题,提出了一种基于全局特征与局部特征交互的轻量级遥感图像语义分割算法EFLG-Net。该算法以EfficientNetB0作为特征提取网络,引入全局特征路径,建立全局特征与局部特征之间的联系,改进了原算法中的卷积模块MBConv,提出新模块FU-MBConv,并优化网络结构和参数,再经过反卷积操作与全局特征路径建立联系,最后实现语义分割的过程。实验结果表明:EFLG-Net算法在模型参数大小、训练速度、模型精度上都有了明显的提升。

融合序列依赖与全局特征的会话推荐算法研究与实现

基于ConvNeXt网络的服装图像检索研究与应用

这是一篇关于ConvNeXt,服装图像检索,注意力机制,全局特征,局部特征的论文, 主要内容为随着互联网和电子商务的高速发展,越来越多的消费者选择线上购物。特别是在服装行业,线上交易量逐年持续增长,导致网络服装图像数据呈现爆炸性增长,如何快速准确地检索出用户有兴趣的时装图像成为一个具有挑战性的问题。传统的基于标签的服装图像检索方法由于人工标注耗时、主观性强、标签信息不完整准确等问题,导致检索结果难以令人满意。而基于传统的视觉内容特征的服装检索技术面临特征选取和语义鸿沟等难题,仍存在瓶颈。考虑到深度学习在图像领域表现出色,本文提出了一种基于卷积神经网络的服装图像检索方法。本文提出了一种基于ConvNeXt网络的服装图像特征提取模型。ConvNeXt网络以Res Net为出发点,融合了Transformer网络的思想,在图像分类和识别的任务取得了不错的效果,故本文基于ConvNeXt网络对服装图像进行特征提取。考虑到仅使用全局分支会存在一定局限性,因此本文增加了一个局部分支,在训练过程中将全局分支和局部分支联合训练。最后,开发了一个基于该模型的服装图像检索系统。以下是本文的主要所做内容:(1)本文提出了一种基于ConvNeXt网络的新型服装图像检索算法。ConvNeXt网络在关注服装图像中的重要区域方面具有更强的能力,并且充分考虑了服装图片中的细节。为了加强模型对服装图像重点区域的关注,提出了一个加入了GCT(Gated Channel Transformation)通道注意力机制的GCT-ConvNeXt-Block模块,进一步提升了模型的准确率。本文采用了加入温度缩放和标签平滑的交叉熵损失函数和难样本三元组损失函数,这些损失函数的使用,使得模型可以很好地识别差异较小的服装样本。为了验证算法的有效性,本文在Deep Fashion服装数据集上测试了模型,比较了Res Net、SE-Res Net、Res Ne Xt、Swin-Transformer等模型在服装图像检索实验中的表现。经过详细的实验比较分析,验证了模型在服装图像检索方面的有效性和先进性。(2)ConvNeXt网络在捕捉图像细节和特定关系方面表现出强大的性能,但是在处理复杂背景、不同拍摄姿势或者拍摄条件不佳的服装图像数据时具有局限性,单全局分支网络提取到的信息不足。为进一步提高检索效果,本文采用了联合全局分支和局部分支一起训练的方法,并使用全局特征进行相似度计算。局部分支对提取到的局部特征进行计算得到一个距离方阵,用最短路径算法动态地从上到下匹配局部部分,将连接的最短路径作为它们局部特征之间的距离,这显著缩小了同款服装在姿态差异较大时的距离,使得模型能够更好地关注图像的整体风格和细节信息,实现高精度检索。经实验验证,加入局部分支取得了更好的检索效果。(3)基于本文模型开发了一个基于B/S三层架构的服装图像检索系统,实现了多个功能,如服装图像检索、用户历史图像检索信息查询、用户管理以及用户登录和注册等。

基于深度学习的自上而下的人体姿态估计

这是一篇关于人体姿态估计,卷积神经网络,Transformer,局部特征,全局特征的论文, 主要内容为人体姿态估计任务旨在从图片或者视频中定位出人体的关节点。目前,基于深度学习的人体姿态估计算法识别精度高、运行速度快,成为该领域的主流算法。因此,当下人体姿态估计算法的发展往往与深度学习技术的发展息息相关。Transformer框架的提出对计算机视觉的相关领域产生了重要影响,这其中就包括对人体姿态估计领域的影响。卷积神经网络(CNN)和Transformer作为两种运算逻辑不同的特征提取器,各具特色、各有所长。如何充分发挥两种特征提取器的特长从而更好的服务于计算机视觉的相关领域,是众多计算机视觉研究者正在探讨的课题。本文以基于深度学习的自上而下的人体姿态估计方法为立足点,深入探究CNN与Transformer的融合框架在人体姿态估计领域中的应用。针对如何融合CNN与Transformer两种框架来实现高性能的人体姿态估计以及如何改进Transformer自身缺陷的问题,本文提出以下解决方案:(1)本文提出了基于聚合Transformer与关键点提纯的人体姿态估计网络。为了充分利用CNN的局部特征提取能力和Transformer的全局特征提取能力,我们将CNN和Transformer进行串联组合:先使用Res Net提取局部特征,再使用聚合Transformer提取全局特征。聚合Transformer是我们为姿态估计任务设计的一种Transformer变体,我们在其Decoder中嵌入局部融合模块和关键点头来进一步提取局部特征和细化关键点坐标。(2)本文提出了基于并行架构与混合特征的人体姿态估计网络。不同于上一章的串行组合,我们在本章提出了一种将CNN与Transformer并联的架构来实现人体姿态估计。我们在Inception结构基础上引入注意力机制分支来提取全局特征,同时保留原始分支来提取局部特征,随后将各个分支提取的特征图进行追加混合并送入后续模块进行识别。除此之外,我们采用了Simdr表示法来预测关键点的坐标信息,并使用KL散度损失函数来优化网络参数。(3)本文提出了基于ViTPose与渐进式采样策略的人体姿态估计网络。原始Transformer架构的Patch Embedding模块对特征图进行序列化时,下采样因子过大从而导致大量特征信息损失。为此,我们设计了Gradual Embedding模块来取代原有的Patch Embedding模块,前者采用了渐进式采样的策略来逐步减小特征图的尺寸,从而有效缓解特征信息损失的问题。另外,我们设计了同样采用渐进式采样策略的局部融合模块来替换原有的转置卷积,并联合双线性插值与最大反池化层来还原更精细的heatmap。

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：源码码头，原文地址：https://m.bishedaima.com/lunwen/52417.html