推荐7篇关于Grad-CAM的计算机专业论文

今天分享的是关于Grad-CAM的7篇计算机毕业论文范文, 如果你的论文涉及到Grad-CAM等主题,本文能够帮助到你

基于深度学习的导诊系统的设计与实现

这是一篇关于深度学习,文本分类,Grad-CAM,辅助导诊的论文, 主要内容为随着社会的进步,居民的生活水平不断提高,人均寿命不断增长,医院以及相关医疗领域的负担也相应增加,凸显出医疗资源不足的问题。其中,医院内导诊资源不足是该问题的一个缩影。导诊资源指的是位于导诊台内的导诊护士为前来就医的病人提供的包括就诊科室推荐、院内介绍、挂号咨询等服务。目前在大多数医院中,导诊台设置较少,导诊资源无法满足需求。本系统基于深度学习技术设计实现了一种根据患者病情自述来进行就诊科室推荐的算法,对就诊科室的基础推荐结果进行优化,提升了算法的稳定性,模型准确率为81%。系统可承担导诊护士在导诊上的部分工作,为病人提供医院内挂号查询、医院概括介绍等信息,同时提供了用户管理功能和后台管理功能,便于进行系统管理。系统采用SSM框架,使内部各模块解耦且前后端分离,增加了系统的可维护性,同时实现了系统在微信公众号中的开发,便于用户在移动端使用。本文首先调研了当前导诊资源不足的背景,分析了导诊台以及导诊护士的主要工作,以此为基础进行系统需求分析,包括用户角色分析与功能性需求分析,以用例图加以说明。之后进行系统软件层次架构设计、数据库设计以及界面设计,并对各功能模块进行了详细设计与实现。最后对本论文工作进行总结,提出问题与展望。

基于深度学习的导诊系统的设计与实现

基于Transformer混合模型的肺炎影像分类研究

这是一篇关于深度学习,迁移学习,Transformer,Grad-CAM,肺炎影像的论文, 主要内容为近几年由于新冠疫情席卷全球,让肺炎图像分类的研究一跃成为研究的热点,在如今的后疫情时代,新冠及其他流感病毒仍然会侵入人体,患者一旦染上肺炎会对身体造成很大的伤害,因此做到早期诊断与治疗显得异常关键。近年来,随着人工智能技术的进步及深度学习的发展,针对医学影像的研究也愈发增多,通过深度学习方法对特定疾病数据集进行训练分析,制定专业化的辅助诊断系统,已经逐步成为医学影像研究的主流方向。正是在这种背景下,本文基于肺炎患者的X光和CT图像,采用深度学习和迁移学习的方法,提出了基于Transformer网络结构的两种改进模型,实现对两种肺炎数据集的三分类工作,本文的具体工作包括:(1)基于肺炎X光图像的分类任务。对Swin T模型进行改进,提出了基于Swin T-CNN的肺炎X光图像分类模型,使用该模型和其他四种迁移学习模型,依次在总计36249张肺部X光图像的数据集上进行训练,数据集在模型训练前期进行多项预处理操作,进一步扩大图像数量,使各模型能够更好的拟合数据,达到最佳的训练效果。实验结果显示,改进后的Swin T-CNN混合模型具有更强的泛化能力,实验结果显示,在肺部X光图像的分类任务中,该模型达到最高的98.5%准确率,优于其他的迁移学习模型,并较原始模型Swin T提高了2.6%。(2)基于肺炎CT图像的分类任务。对VIT模型进行改进,加入了Res Net50模型中的残差块,提出基于VIT-Re50的肺炎CT图像分类模型,与其他经典的迁移学习模型进行对比实验,该实验采用较大规模的CT数据集,图片总数达到了425024张,实验中VIT-Re50模型运用GN层做归一化,进一步加快模型的收敛速度,实验结果显示VIT-Re50在CT图像数据上的预测准确率、召回率、F1分数分别为94.3%、93.7%、93.4%。(3)本文还针对肺炎CT图像中患者的病变区域可视化进行了研究,采用了Grad-CAM技术对不同模型的病灶检测效果进行了对比,实验结果显示,该技术能够有效的生成病变区域的热力图,从而达到辅助诊断肺炎患者的效果。

基于Swin Transformer的单目深度估计研究

这是一篇关于单目深度估计,Swin Transformer,迁移学习,Grad-CAM,SimMIM的论文, 主要内容为单目深度估计任务是计算机视觉领域中的一个基本且重要的研究课题。其目的是在单个视角下从RGB图像中产生像素级深度图。这种深度信息有助于更好地理解三维场景,在场景重建、自动驾驶和机器人导航等领域有着广泛的应用。计算机视觉任务长期以来被深度卷积神经网络所主导,近年来,基于Transformer的深度学习网络架构在计算机视觉领域多个任务中表现出优越的性能。本文就Transformer的衍生架构Swin Transformer在单目深度估计任务的适用性和改良网络结构进行研究。在像素级图像任务如单目深度估计中,需要使用高分辨率图像作为输入,因此模型计算量和计算复杂度的设计是否恰当是决定是否可以训练得到兼具高效率和高精度网络模型的关键。针对单目深度估计任务,先前的一些工作致力于提出基于Vision Transformer的网络架构,然而,这些网络模型的计算量和复杂度大,对于密集预测视觉任务并不完全适用。对于有监督学习,本文采用一种分层的Transformer,即Swin Transformer,作为单目深度估计的特征提取编码器,针对编码器的不同变体,设计了一个基于空间重采样模块和Refine Net的可适应性解码器。为了验证网络结构的有效性,本文在单目深度估计公开数据集NYU Depth V2上进行实验分析,实验表明,本文提出的编解码器结构在数据集上进行微调,也能在单目深度估计这一密集预测任务中产生实质性改进,实验结果与Transformer模型DPT-Hybrid相比,能够达到更好的深度估计结果。此外,本文提出基于Grad-CAM的可视化评价模型,对本文提出的深度估计模型进行逐层可视化分析,逐步剖析其高可用性。近年来,NLP和计算机视觉在基本建模和学习算法以及多模态应用中出现越来越多的重叠。掩码图像建模MIM是掩码信号预测的一个子任务,它对部分输入图像进行掩码,让深度网络以可见图像为条件预测掩码图像,以无监督方式进行表示学习。本文提出基于Sim MIM的单目深度估计模型,通过将Sim MIM在Image Net数据集上进行无监督预训练的Swin Transformer模型参数进行迁移,对本文编码器进行权重初始化。实验结果表明,使用Swin Transformer作为基础架构的Sim MIM模型,能为单目深度估计中的有监督微调实验的预测结果带来性能上的提高,同时能在一定程度上解决由于模型容量增长而引起的数据饥渴问题。

基于深度学习的导诊系统的设计与实现

基于深度学习的成人阻塞性睡眠呼吸暂停预筛查系统的研究

这是一篇关于阻塞性睡眠呼吸暂停,卷积神经网络,图像分类,Grad-CAM的论文, 主要内容为当今时代,互联网平台化和人工智能逐渐改变了人们的衣食住行,各行各业开始追求行业的数字化和智能化,从而达到行业的先进性和高效性。医疗行业在完成计算机数据平台化的同时,通过大数据分析、机器学习等技术处理大量的医疗数据,对于某些疾病的诊断起到辅助筛查的作用,这也逐渐成为近几年来现代医学发展的趋势。成人阻塞性睡眠呼吸暂停作为一种睡眠呼吸障碍疾病,存在诊断困难、诊断率低于实际发生率等情况。近年来研究表明患者的特征性颅面解剖有一定的形态异常,患者的颅面摄影人脸图像与该病患病程度存在联系性和相关性;采取计算机技术分析患者的人脸基本特征,可以作为医生辅助诊断的手段。为了解决该病现阶段诊断率低、诊断困难等情况,本课题设计了基于web端的成人阻塞性睡眠呼吸暂停的人脸图像分类预筛查系统。本文主要的研究工作如下:1.从医院睡眠中心获得该病的一千多例人脸正侧脸图像后,根据这些人脸图像对应的呼吸暂停低通气指数分成正常/轻度,中度和重度三类。在数据预处理阶段,首先剔除了部分不合格的人脸图像,并针对正脸和侧脸图像采用不同的人脸检测器。对正脸采用Dlib人脸检测器,对侧脸使用DSFD网络。检测结果剔除大部分不包含人脸的信息。随后采用多种不同的数据扩充方法进行对比实验,最后筛选出最适合本课题数据集的四种数据扩充组合方法。2.在分类网络设计和实现中,针对多种不同的基础网络做对比实验,如残差网络 ResNet50 与 Inception-ResNet-V2 和 Inception-V3 进行对比,得到最佳的基础网络ResNet50。随后在此基础上借鉴条形池化的概念,设计LPM模块,采用基于ImageNet迁移学习参数初始化的方式对分类网络进行训练。3.在完成分类网络的训练后,设计了两个实验让分类网络更具有解释性。首先是对人脸特征点采用机器学习统计分析的方法,采用Xgboost算法以SHAP值作为显示正侧脸中哪些面部指标对成人阻塞性睡眠呼吸暂停有明显的影响。此外,采用Grad-CAM方法将分类网络对人脸关注的区域以类热力图的形式显示出来。两个实验结合对比分析,让分类网络的训练更有可解释性。4.在完成所有的模型训练和可解释性实验后,开发设计基于web端的成人阻塞性睡眠呼吸暂停预筛查系统,以python-flask作为后端框架,Vue作为前端框架,JavaScript、HTML、CSS为前端语言。结合分类网络训练的结果进行可视化展示,将选中的成人阻塞性睡眠呼吸暂停患者人脸图像的分类结果以图表的形式展示在浏览器端。本文基于人脸正侧脸图像对成人阻塞性睡眠呼吸暂停有预测性的前提下,将医院睡眠中心采集的人脸正侧脸图像输入深度学习分类网络做分类任务。同时将结果以图表的形式将分类结果输出到网页端,完成医疗图像平台化和智能化的结合。力求将本课题的后续发展逐渐推向实际应用,为该病的诊断做一定的前期性工作。