给大家推荐5篇关于长尾分布的计算机专业论文

今天分享的是关于长尾分布的5篇计算机毕业论文范文, 如果你的论文涉及到长尾分布等主题,本文能够帮助到你

面向城市公共安全数据长尾分布的实体关系抽取技术研究

这是一篇关于城市公共安全,知识图谱,关系抽取,少样本学习,原型网络,长尾分布的论文, 主要内容为城市公共安全数据量繁杂庞大,通过人力无法从这些数据中高效精准地抽取信息。知识图谱通过将城市中的事物嵌入为实体,并提取各实体间的关系,能更高效、精准地进行城市公共安全管理。实体关系抽取是构建知识图谱的核心环节,而城市公共安全数据长尾分布中尾部类实例相对匮乏,少样本问题造成实体关系抽取准确率不理想,因此如何提高少样本实体关系抽取的准确率成为当下急需解决的重要课题。根据实体关系抽取在数据长尾分布中的特点,本课题分为垂直领域实体关系抽取研究和跨领域实体关系抽取研究。在垂直领域场景中,本课题提出双向匹配聚合模型,利用双向训练提升模型对尾部实例关系抽取的准确率;在跨领域场景中,本课题提出双向全局转换模型,通过双向全局转换提升模型在关系混淆中识别关系类型的能力,从而提升了模型对尾部实例关系抽取的准确率。本课题的主要工作如下:(1)提出基于少样本学习的双向匹配聚合网络模型BMAN,该模型利用数据的对称性学习更多关系原型的特征。模型首先利用原型网络预测查询实例的关系,再利用获取的关系计算出查询实例的关系原型,以验证得到关系的准确性并纠正模型预测的偏差。(2)设计出数据增强方法,该方法针对不同的任务场景使用不同的映射方法,确保每一个查询实例都参与逆向关系原型的计算,取得正向与逆向训练之间的联系,同时在实例关系类型的范围内扩大实例样本的数量,避免双向匹配中的过度拟合。(3)提出基于少样本学习的双向全局转换网络模型BGTN,该模型使用全局转换学习候选类间的判别信息,用于在跨领域任务场景中传递更多的知识,同时利用球坐标嵌入空间的表示学习,在嵌入空间中聚合类内的实例嵌入表示并分离类间的实例嵌入表示。

基于深度学习的黑皮鸡枞菌品质分级识别方法研究

这是一篇关于深度学习,卷积神经网络,长尾分布,知识蒸馏,黑皮鸡枞菌的论文, 主要内容为黑皮鸡枞菌的品质主要由其发育状况以及有无缺陷决定,目前分拣过程仍依赖人工,耗时较长,严重制约了鸡枞菌生产销售的经济效益。如何快速、准确识别黑皮鸡枞菌的品质分级已成为该行业的一大难题。本文以一级菇、二级菇、开伞菇、霉点菇、畸形菇为研究对象,基于深度学习相关知识实现对黑皮鸡枞菌的品质识别,主要内容包括:1.黑皮鸡枞菌数据集的创建与基于改进Res Net的初步识别。设计并搭建图像采集装置,采集黑皮鸡枞菌图像并经过预处理以及图像增强创建数据集。以Res Net50为主干模型,使用改进残差结构、坐标注意力机制提升模型学习能力。与其它模型进行对比试验,结果表明本文模型识别能力优于其他方法,为后文针对长尾分布以及知识蒸馏的优化奠定了坚实的基础。2.长尾分布数据集下的模型优化。为提高模型对小样本的识别准确率,利用长尾混合增强算法增加含小样本数据的虚拟图像作为临时数据集;并通过迁移学习使模型学习相似种类物品的特征分布信息,提升模型泛化能力。对上述优化方法进行控制因素对比测试,测试结果表明:同时使用长尾混合增强算法以及迁移学习的模型在测试集中平均准确率为96.86%,达到黑皮鸡枞菌检测精度要求。3.采用知识蒸馏的模型转移。为满足黑皮鸡枞菌本地边缘检测对模型参数量以及运算量的要求,提出复合知识蒸馏算法。该算法通过额外采用教师模型中间层信息以及其中后层特征图上的差异作为知识蒸馏传授的知识之一,使得小参数量的学生模型可以充分学习到教师模型经过长尾优化学习后输出的软标签信息。学生模型最终准确率为96%,且平均检测时间较Res Net50大幅缩短。最后将模型与人工分拣进行对比,得出Mobile Net V2效率高于人工,满足黑皮鸡枞菌实际检测需求。