6个研究背景和意义示例,教你写计算机视觉特征论文

今天分享的是关于视觉特征的6篇计算机毕业论文范文, 如果你的论文涉及到视觉特征等主题,本文能够帮助到你

基于视觉特征的三维室内模型检索研究

这是一篇关于三维模型检索,视觉特征,深度学习,特征提取,深度哈希的论文, 主要内容为随着计算机图形技术的快速发展,三维室内模型在室内设计行业得到了广泛应用,设计师只需在室内设计软件中简单地拖拽和替换三维室内模型就能高效地对室内空间进行设计和修改,大幅提高了设计效率,降低了设计成本。目前大多数室内设计软件都提供了大量的三维室内模型供用户挑选,然而用户在挑选模型的过程中通常只能使用有限的关键字以文本的形式进行检索,无法准确地获取到想要的模型,存在较大的局限性。因此,本文研究了一种基于视觉特征的三维室内模型检索方法,该方法使用图像作为检索输入源,将对三维模型的检索转化为对二维图像的检索,能够帮助用户快速准确地找到目标模型。本文的主要研究内容包括:(1)本文分析了用户上传的待检图像中存在的各类干扰因素,提出在特征提取前,先对图像进行主体检测,将包含有待检模型的图像主体从原图中分割出来。本文使用相应的数据集综合比较了当前各种主流目标检测算法的实际表现,从中选用了Faster RCNN对图像进行主体检测,并在此基础上使用残差网络和特征金字塔网络对其进行了改进,进一步提升了算法的检测精度。(2)本文针对传统特征提取网络无法实现实例级别的图像检索的问题,设计了一种基于度量学习的特征提取网络,通过在线构建三元组样本并使用Triplet损失函数对网络进行训练,使网络能够对样本进行细粒度的区分。此外,网络中还添加了空间金字塔池化层,用来对图像中的多尺度特征进行融合,提升了网络对尺度变化的鲁棒性。(3)本文针对特征提取网络因输出特征向量的维度过高无法应用于大规模模型检索的问题,设计了一种引入了分段编码和二值约束项的深度哈希网络。该网络使用分段编码结构减少了输出的哈希码中存在的冗余信息,并通过在损失函数中添加二值约束项的方式约束了网络的输出分布同时减小了特征的量化误差,能够较好地将高维特征向量压缩为低维哈希码,在保证一定检索精度的同时,大幅提升了检索速度。(4)在上述研究的基础上,本文对三维室内模型检索的各环节进行了整合,设计了相应的检索流程,并利用WEB前后端技术以B/S架构的形式较为完整地对检索系统进行了实现。本文通过实验测试了系统的检索性能,并对检索结果进行了分析与评估,实验结果表明该系统在检索精度和速度方面都有着良好的表现,能够胜任大规模的模型检索。

基于视觉特征的三维室内模型检索研究

基于多维特征的混合推荐系统模型研究

这是一篇关于推荐系统,数据稀疏性,混合模型,视觉特征,潜在偏好的论文, 主要内容为随着互联网的普及和电子商务的迅速发展,互联网中的各种信息量爆炸式增长,用户每天都被大量无关信息所包围,无法准确快速的获取到自己想要的信息,因此各种各样的个性化推荐系统应运而生。个性化推荐系统旨在为用户排除大量无关信息,向用户提供定制的个性化内容。对于不同场景的推荐系统,通常使用不同的推荐算法,其中最常用的就是基于内容推荐和协同过滤推荐。基于内容推荐和协同过滤推荐都存在自己的不足,例如冷启动问题、数据稀疏性问题、可扩展性问题以及推荐效率低下等。为了解决这些问题,提高推荐质量,众多研究者参与其中,基于不同的场景提出了很多解决思路和方案。本文对基于内容和协同过滤的混合推荐方式以及如何解决数据稀疏性、推荐效率等问题行了研究。另外,本文认为用户的视觉信息对于推荐系统的研究有着十分积极的作用,因此本文对用户视觉信息在推荐系统中应用的可能性进行了探索。本文的主要内容及贡献如下:(1)绝大多数推荐系统都是基于用户静态配置数据特征或者动态交互数据特征来计算用户兴趣模型,本文尝试使用多个维度的数据来进行建模。除此之外,本文使用了图片视觉特征这一常被研究者所忽略的重要数据特征,来挖掘用户的潜在兴趣偏好。(2)本文根据基于内容的建模方式的优点,提出一种用户对多维特征的兴趣度量的计算方式,解决了数据稀疏性,以及推荐效率等问题。这种计算方式既能适应极度稀疏的数据集,也能适用于较大型的数据集。(3)本文把基于内容的用户建模方式和基于协同过滤的推荐方式结合起来,提出一种基于多维特征的混合推荐模型,该种推荐模型适用于各种不同的基于用户评分的推荐系统场合,提高了推荐模型的适配性、可扩展性等特性。(4)本文将提出的推荐模型在真实的Movie Lens数据集上进行了多组对比实验,实验结果表明本文提出的推荐方式相比较于传统方法有着更好的推荐效果和计算效率。无论是在比较稀疏的数据集上,还是较大型的数据集上,都能够进行比较良好的工作。

基于多视角视觉信息的餐厅推荐系统算法研究

这是一篇关于推荐系统,深度学习,矩阵分解,视觉特征,注意力机制的论文, 主要内容为随着信息科技的逐步发展,人们越来越能更加快捷方便地获取信息。但网络技术的迅猛发展与网络信息量的快速增长,却使人们逐渐迷失在大量无效信息的包围中。信息超载问题伴随着信息科技与互联网的发展逐渐被人们重视、研究,由于信息超载问题使得人们在面对海量信息时无法有效获取自己感兴趣或者对自己真正有用的信息,使得信息整体的使用效率降低。与搜索引擎依靠特定策略和算法对用户提交的关键词进行搜索不同,作为解决信息超载问题的一个行之有效的办法,推荐系统通过研究用户的兴趣偏好与交互历史,进行个性化的计算,由推荐系统发现用户的兴趣点,从而引导用户发现自己的信息或商品需求。一个好的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关系,让用户对推荐产生信赖关系。推荐系统领域近年来发展十分迅速,现已广泛应用于诸多领域。同时,学术界一直对推荐系统的研究保持高度热情,使得推荐系统逐步形成了一门独立的学科。在推荐系统中,餐厅推荐因其实用性一直是十分热门的研究领域。为了缓解推荐系统常见的数据稀疏、冷启动、可解释性、推荐的多样性等问题,餐厅推荐算法在使用用户侧信息、餐厅侧信息、用户-餐厅交互评分的基础上,往往引入各类异构数据,比如文本信息、社交关系、视觉信息等。其中,视觉信息作为十分重要的辅助信息之一,在餐厅推荐算法中具有举足轻重的地位。在引入视觉信息的餐厅推荐算法中,模型能挖掘用户对餐厅的视觉信息兴趣点,更容易、有效地进行个性化推荐。此外,餐厅的多视角视觉信息(比如,食物、饮品、餐厅内景、餐厅外景等)表达着餐厅不同视角的视觉信息。通过建立相应模型,研究人员能有效分析出用户在不同视角下的视觉偏好分布,从而对用户进行更加精准的个性化推荐。基于此,本文的工作主要分为以下几个方面:(1)基于多视角视觉特征信息,本文提出一种以隐式反馈数据作为输入的餐厅预测排序模型。利用深度卷积网络提取图像的视觉特征(视觉信息),并将其集成到协同过滤框架中。为了更好地进行个性化推荐,将多视图视觉特征通过用户权重进行融合。用户相关权重反映了该用户个性化的餐厅视觉偏好,用户之间的权重是不同的、独立的。模型被应用于两个真实的餐馆评论数据集进行实验测试,并为用户提供个性化的推荐。实验结果表明,具有多视图视觉信息的模型比没有或只有单视图视觉信息的模型具有更好的性能。(2)在深度学习的推荐模型基础上,本文提出一种基于层次注意力模型的餐厅推荐算法。该算法模型由两层注意力层组成:上层为类别注意力层,下层为图像注意力层。模型通过该层次注意力实现了对同一类别下的多幅图像(图像注意力层)和不同类别之间的图像(类别注意力层)分别进行建模。在注意力机制的帮助下,实验结果表明,该模型能有效追踪用户对于餐厅不同类别视觉特征和不同图像视觉特征的个人视觉偏好,并结合深度学习模型对用户进行个性化餐厅推荐。(3)为了挖掘餐厅视觉信息基于自身的表达,本文引入自注意力机制,提出了一种新的深度网络模型,将不同类别的图像作为推荐的辅助信息,利用自注意机制逐层分析单一图像内部、图像与图像之间、图像类别与图像类别之间用户的视觉注意力分布。另外,本文设置了一个有效的采样策略来针对大量的冗余图像进行简化。预测模型采用用户因素和餐馆因素的余弦相似度,并结合视觉信息。利用预先训练的神经网络从多类图像中提取餐馆的视觉特征。实验结果表明,该模型能有效对用户进行个性化餐厅推荐。随着互联网中越来越多的多源异构数据能够被获取,如何在推荐系统中融合多源信息,捕捉数据内部之间复杂的关系,成为推荐系统领域重要的研究课题。本文工作以现实中的图像信息着手,致力于发掘图像信息与静态数据之间的数据关系。相比于单一视觉信息表达,本文引入了多视角视觉特征,基于更加丰富的视觉信息,本文分别提出了带权重的视觉融合向量,基于层次注意力和基于自注意力的视觉特征融合方法。本文主要研究围绕餐厅的个性化推荐算法展开,利用传统的或深度学习的协同过滤方法对用户与餐厅建模,探索用户对餐厅的个性化喜好,并以此排序和作出推荐。