给大家分享5篇关于卷积的计算机专业论文

今天分享的是关于卷积的5篇计算机毕业论文范文, 如果你的论文涉及到卷积等主题,本文能够帮助到你

卷积神经网络中的自适应处理模块设计研究

这是一篇关于自适应,卷积,步长,混合池化,频域,多尺度的论文, 主要内容为卷积神经网络是深度学习技术中的一个重要组成部分,它被广泛应用于各种计算机视觉任务。卷积神经网络的研究热点包括参数优化、结构优化以及自适应卷积神经网络等。其中,自适应卷积神经网络也叫“动态”神经网络,其核心思想是自适应推理,即网络根据输入的不同可以动态调节自身的结构和参数进行推理,进而获得更好的网络性能,如更高的推理效率、更高的准确率等。自适应卷积神经网络的自适应性可以体现在样本自适应、空间自适应以及时间自适应等三个方面。本文主要针对样本自适应展开研究,提出了三种自适应模块,目的是提升卷积神经网络模型在处理各种计算机视觉任务的性能。具体地,本文的主要工作包括如下三个方面:(1)卷积模块是卷积神经网络的核心组成部分,在实际运用时,卷积操作的步长主要依靠人工或者通过一些搜索方法进行选择,即所谓的“调参”。这样的做法要么很难确定合适的步长,要么需要花费大量的时间,效率和效果都不太理想。针对这一问题,本文从采样的角度看待步长对卷积操作结果的影响,提出了一种具有自适应步长效果的卷积模块。该模块不是直接优化步长参数,而是在步长为1获得的卷积特征图基础上再进行自适应采样(过滤),进而间接地达到自适应步长的卷积处理效果。将卷积模块运用到已有代表性的模型上并进行实验测试,结果表明:在分类任务上,可将Alex Net、Mobile Net以及Res Net的Acc(准确率)分别提升2%、1.16%和2.61%;在目标检测任务上,可将YOLOX和YOLOV6的m AP(平均精度均值)分别提升0.6%和0.7%;在图像分割任务上,可将UNet的Acc＿cls(类平均准确率)和m IU(平均交并比)两个指标分别提升4.04%和3.24%。(2)除了卷积模块之外,池化是卷积神经网络的另一个重要组成部分。针对现有池化方法(如最大池化、平均池化)特征提取能力不够完备、难以有效地提取图像各种特征的问题,提出了一种新的池化,即无符号最小(Unsigned-min)池化,该池化可提取特征图中池化区域最小值的绝对值,能起到保留最小值特征信息(往往是边缘特征)的作用。在一定程度上,无符号最小池化可与现有的池化方法形成互补。在此基础上,本文考虑将最大池化层、平均池化层和无符号最小池化层进行动态融合,提出两种自适应的混合池化模块。该模块能根据网络输入特征图自适应地选择混合池化方法,从而自适应地帮助网络更好地提取有用的特征。将混合池化模块运用到已有代表性的模型上并进行实验测试,结果表明:在分类任务上,可将Alex Net和Res Net的Acc分别提升2.93%和1.21%;在目标检测任务上,可将YOLOV6的m AP提升1.11%。(3)多尺度融合处理和傅里叶变换是图像处理中的两种常用方法。多尺度融合处理能将低层语义信息和高层语义信息进行融合,当图像中既有大目标物体又有小目标物体时能提升模型性能。傅里叶变换则可将图像变换到频域中进行分析处理。本文将傅里叶变换和多尺度融合相结合,提出了一种基于傅里叶变换的图像特征自适应提取与多尺度融合模块。该模块在频域中通过不同的裁剪对不同尺度的图像语义特征信息进行提取,并且通过一个自适应处理组件对裁剪获得的语义特征信息做进一步的选择和过滤,以提升多尺度融合的效果。将所提出的多尺度融合模块运用到已有代表性的模型上并进行实验测试,结果表明:在分类任务上,可将Alex Net和Res Net的Acc分别提升2.11%和1.40%;在目标检测任务上,可将YOLOV6的m AP提升1.38%。综上,本文的主要贡献在于对卷积神经网络的自适应处理模块设计进行了相关研究,重点围绕卷积、池化和多尺度融合等三个方面提出了多个自适应处理模块,所提出的模块具有一定的通用性,可以“即插即用”的方式运用到已有的卷积神经网络模型。仿真实验表明这些模块可提升卷积神经网络的性能,具有一定的实用价值和借鉴意义。

兼顾分子结构与序列挖掘的酶功能预测

这是一篇关于酶功能预测,多视图分类,点云,卷积,自注意力,模糊系统的论文, 主要内容为酶与生物体的生化、代谢和疾病过程息息相关。研究酶的功能预测在疾病诊断、生产生活等方面具有重大的意义。面对酶数据的急剧增加,传统生物实验识别酶功能的技术由于其效率低、代价高,难以满足实际的需求。随着机器学习的深度发展,越来越多的基于计算技术的酶功能预测方法相继出现。虽然目前大部分酶分类算法已取得了不错的效果,但是仍具有较大的提升空间,主要表现在:1)目前的计算方法还不能够充分挖掘酶的序列、结构等信息;2)如何高效地结合不同视角特征进行分类也有待进一步研究。针对上述挑战,本文从多视图特征、卷积与自注意力相结合等角度出发,提出了三种新的酶功能预测方法,并进行了系统设计与实现,同时对后期的改进也进行了探讨。本文的主要研究内容和贡献可概括为如下四个方面:(1)针对需要新的酶分类方法挖掘酶的序列与结构特征,提出了一种兼顾分子结构与序列信息、进行深度特征抽取、并采用多视图分类的酶功能预测新方法BP-TSK(BBCNet,Pointnet++and TSK)。首先,为了有效提取酶序列数据的鉴别信息,本文提出一种融合BBA(Binding Bi-LSTM and self-Attention)残差模块与Bio-CS(Biological Channel and Spatial Attention)注意力机制的序列学习深度神经网络来提取酶的序列深度特征;其次,创新性地引入点云来表达酶的三维结构信息,并利用点云深度学习网络来提取酶的结构深度特征;最后,将序列和结构两个视角的深度特征输入到多视图TSK模糊系统,以构建基于模糊规则和模糊推理的多视图分类器,进而实现多视图的酶功能综合决策。提出的模型和最新的各种代表性方法做了比较,在Protein Data Bank(PDB)蛋白质数据集上获得了最高的准确率与精确度。(2)在前一个工作BP-TSK的基础上,进一步改进了BP-TSK在序列方面的特征提取能力,提出了一种新的卷积与自注意力机制多层结合的酶功能预测模型CCANet(Convolution Combine Attention Network)。该模型采用酶的one-hot序列作为输入,采用卷积与自注意力进行多层结合的方式进行特征提取和功能预测。卷积和自注意力通常被认为是两种不同的表征学习,本文中研究了两者之间的内在联系,并利用这种联系提出了一种新的卷积与自注意力相结合的方法SESA。通过实验验证,提出的方法得到了较高质量的酶功能预测效果。(3)为了结合上述两种方法的优势,本文基于酶的序列与结构信息进一步提出一种决策级别进行酶功能预测的方法BCP-Net(BBCNet,CCANet and Pointnet++)。该方法由三个不同的网络并行组成,在决策部分进行了加权融合,并采用集成学习分类器进行预测,性能与前面提出地两个方法相比得到了更显著的提升。(4)为了将算法进行更好的应用,本文对CCANet和BCP-Net两种算法进行了系统设计与实现,并通过了相应的测试。

Optimization of Neural Collaborative Filtering for Web Pages Recommendation

这是一篇关于推荐算法,深度神经网络,协同过滤,嵌入,卷积的论文, 主要内容为网页是互联网最重要的内容载体形式,推荐系统是互联网的核心应用技术。随着深度学习技术的发展,深度神经网络在语音识别,计算机视觉和自然语言处理方面取得了巨大的成功。但是,在推荐系统领域对深度神经网络的探索相对前两者较少,而且在涉及到协同过滤建模的关键因素即用户和物品特征之间的交互时,目前的工作仍倾向于使用矩阵分解的方法,并在用户和物品的潜在特征上应用内积运算,此种处理方法容易导致用户交互信息丢失的问题。为了解决该问题,在本文的工作中,主要致力于基于神经网络的技术来探索在隐式反馈的基础上优化网页推荐算法中的协同过滤这一关键问题。本论文的主要技术工作包括:(1)提出了一种基于卷积神经网络的深度协作推荐方法,该技术具有外积矩阵和混合特征选择特性,引入stack interaction map来增加输入特征的表达能力,采用interaction map来编码更多的潜在信号。此外,引入CNN技术以及背景基于交互图技术来学习用户-项目特征关系信息。(2)为了有效地捕获项目之间的相关性,还设计了混合特征选择模块,使用逐点卷积、一般平均池和atrous多尺度机制来学习局部和全局项目相关性。最后,该方法还融合了广义矩阵分解的权重来优化整体网络性能以防止过度拟合。(3)设计了封装了挤压和激励机制的卷积残差特征块,以在学习用户-项目关系时恢复通道方式和潜在的信息丢失。本论文提出的技术方法,在多个数据集上进行了一系列实验验证,并证实了技术方法的有效性。

基于ResDense U-Net的医学图像分割

这是一篇关于图像分割,U-Net,深度学习,ResNet,DenseNet,层归一化,卷积的论文, 主要内容为近年来,随着深度学习的迅速发展,医学图像分割技术取得了重大突破。在这方面,U-Net一直是医学影像界最流行的架构。U-Net是一种端对端的对称模型,在分割多模态医学图像方面表现了卓越的性能,为医生诊断和治疗病人提供了方便。但通过对医学数据集进行的多次实验,发现传统的U-Net在某些方面有不足的地方。因此本论文提出了一种新的深度学习模型来改进经典U-Net,本模型是基于DenseNet、ResNet的思想和U-Net的网络结构,故称它为ResDense UNet。并在皮肤病变的数据集和光学细胞的数据集上进行了多次测试与比较。ResDense U-net与经典U-Net相比,性能分别提升了3.07%、1.38%。虽然模型结构没有变化很大,但是在性能提升上较为明显,同时在成像的细节方面也比UNet更为完善。本文创新点如下:第一,基于ResNet和DenseNet的思想,将原U-Net中的连续双层卷积替换为ResDense-block,来缓解梯度消失和加强特征重用。考虑到U-Net原有的通道数逐级倍增,对ResDense-block中的输出通道做了些许调整,减少了参数,防止过拟合。第二,将所有基础卷积层替换为非对称卷积块,它的卷积核骨架是“十”字形的。虽然增长了训练时间,但是精度有所提高,并且采用了层归一化(LN)来提高模型的性能,使得模型的稳定不再依赖(7(6(8?4)0)的取值。第三,原U-Net是网络左半部提取的浅层特征与网络右半部提取的深层特征直接做了拼接,这种深层特征与浅层特征的直接拼接可能会对网络表达产生负面影响。本模型对这个长连接加入了数量级的Res-block,4,3,2,1,即最上层的长连接加入了4个Res-block,以此类推。这是考虑到深层特征与浅层特征有一定的语义差异,越靠近上层,这种差异越大,越靠近“U”底部,这种差异越小。也考虑过使用Dense-block,然而这里更多地是深层与浅层的问题,Resblock可以更好地解决深层网络问题,所以采用Res-block。医学图像在做分割时,感兴趣区域往往只占一小部分,且有可能遍及图像整体,这大大增加了分割的难度,尤其是在目标的边界区域。实验证明,本文的网络模型在这方面比经典U-Net表现更卓越。