基于深度学习技术的软件开发第三方库以及长尾第三方库推荐研究
这是一篇关于软件开发,知识图卷积,长尾问题,深度学习网络,第三方库推荐的论文, 主要内容为软件开发第三方库作为软件开发领域重要的可复用资源,能够提高开发人员的效率。现存的第三方库数量巨大、种类繁多,搜寻合适的第三方库需要耗费开发人员很多精力。同时,现存的诸多第三方库中,存在推荐系统常见的“长尾问题”,比较受欢迎的第三方库被推荐的频次更高,那些没那么受欢迎但是和开发人员项目高度关联的第三方库却不能够被推荐或者很少被推荐。本文基于第三方库领域的推荐任务,主要研究如何向开发人员推荐适合开发项目的第三方库,同时研究如何向开发人员推荐属于长尾集合但又和开发项目关联度高的第三方库。现有的第三方库领域推荐方法往往单独从项目层面或者从第三方库(使用模式)层面进行推荐。单独从项目层面进行推荐的方法只计算项目的相似度,无法判断当前的第三方库对开发人员的项目是否合适。而基于第三方库使用模式的推荐方法通常会忽略对项目特征的考虑。本文提出了一种基于知识图谱的图卷积网络模型KG2Lib,综合考虑项目和第三方库的特征进行推荐;其次,纳入更多关于第三方库的信息来进行更细粒度的推荐。实验结果表明,在公开数据集上本文所提出的模型效果优于其他方法,可以更有效地提高第三方库推荐的准确性,也进一步缓解了第三方库推荐领域的长尾问题。但是,本论文在成功率等指标上虽然有一定提升,但是提升的幅度不够大;同时在dataset2数据集上当推荐的个数为N时,模型的成功率略低于Lib Finder,这也是我们面临的另一个挑战。在上述工作的基础上,本文进一步探索更有效的方法缓解第三方库推荐领域的长尾问题。本文提出了长尾推荐模型LTLIB,LTLIB主要包含四个模块:矩阵分解模块、项目聚类模块、第三方库分类模块以及模型学习模块。项目和第三方库的权重矩阵首先经过一类协同过滤算法生成项目特征向量矩阵和第三方库特征向量矩阵,其次利用层次聚类方法对项目进行聚类,并利用Page Rank算法得到每个聚类中项目所包含的较受欢迎项目和长尾项目。最后,将长尾项目和受欢迎项目输入进模型,判断当前第三方库是否可以被推荐。实验结果表明,本文所提出的模型LTLIB能够有效地缓解第三方库推荐领域的长尾问题。本文是基于长尾问题的进一步探索,但仍然不能够彻底推荐领域的类似问题。因此,本文的最后一个挑战就是如何能够更充分地利用第三方库领域的长尾数据进行有效的探索,提高软件开发领域资源的利用率。
基于深度学习技术的软件开发第三方库以及长尾第三方库推荐研究
这是一篇关于软件开发,知识图卷积,长尾问题,深度学习网络,第三方库推荐的论文, 主要内容为软件开发第三方库作为软件开发领域重要的可复用资源,能够提高开发人员的效率。现存的第三方库数量巨大、种类繁多,搜寻合适的第三方库需要耗费开发人员很多精力。同时,现存的诸多第三方库中,存在推荐系统常见的“长尾问题”,比较受欢迎的第三方库被推荐的频次更高,那些没那么受欢迎但是和开发人员项目高度关联的第三方库却不能够被推荐或者很少被推荐。本文基于第三方库领域的推荐任务,主要研究如何向开发人员推荐适合开发项目的第三方库,同时研究如何向开发人员推荐属于长尾集合但又和开发项目关联度高的第三方库。现有的第三方库领域推荐方法往往单独从项目层面或者从第三方库(使用模式)层面进行推荐。单独从项目层面进行推荐的方法只计算项目的相似度,无法判断当前的第三方库对开发人员的项目是否合适。而基于第三方库使用模式的推荐方法通常会忽略对项目特征的考虑。本文提出了一种基于知识图谱的图卷积网络模型KG2Lib,综合考虑项目和第三方库的特征进行推荐;其次,纳入更多关于第三方库的信息来进行更细粒度的推荐。实验结果表明,在公开数据集上本文所提出的模型效果优于其他方法,可以更有效地提高第三方库推荐的准确性,也进一步缓解了第三方库推荐领域的长尾问题。但是,本论文在成功率等指标上虽然有一定提升,但是提升的幅度不够大;同时在dataset2数据集上当推荐的个数为N时,模型的成功率略低于Lib Finder,这也是我们面临的另一个挑战。在上述工作的基础上,本文进一步探索更有效的方法缓解第三方库推荐领域的长尾问题。本文提出了长尾推荐模型LTLIB,LTLIB主要包含四个模块:矩阵分解模块、项目聚类模块、第三方库分类模块以及模型学习模块。项目和第三方库的权重矩阵首先经过一类协同过滤算法生成项目特征向量矩阵和第三方库特征向量矩阵,其次利用层次聚类方法对项目进行聚类,并利用Page Rank算法得到每个聚类中项目所包含的较受欢迎项目和长尾项目。最后,将长尾项目和受欢迎项目输入进模型,判断当前第三方库是否可以被推荐。实验结果表明,本文所提出的模型LTLIB能够有效地缓解第三方库推荐领域的长尾问题。本文是基于长尾问题的进一步探索,但仍然不能够彻底推荐领域的类似问题。因此,本文的最后一个挑战就是如何能够更充分地利用第三方库领域的长尾数据进行有效的探索,提高软件开发领域资源的利用率。
基于深度学习的断奶仔猪行为识别系统设计与实现
这是一篇关于长白仔猪,行为识别,抗生素,深度学习网络,Android的论文, 主要内容为猪作为我国重要的家畜之一,其需求量随着经济社会的蓬勃发展而不断增加。幼年时期的猪抵抗力低,特别是断奶时期仔猪自身免疫系统尚未完全建立,从依靠母乳获取营养转变为完全独立采食饲料,失去母源抗体营养支持的仔猪抵抗力变弱,同时离开了仔母共居的生活场地会产生应激,导致仔猪阶段成为生猪饲养环节中最脆弱、最关键的一环,断奶仔猪的健康养殖受到产业领域的重点关注。断奶仔猪行为状况是判断仔猪健康与否的的重要依据,及时对异常行为仔猪作出处理能最大限度的减少猪场损失。在规模化猪场实际的生产中,每天都有一定数量的病死仔猪出现,发现并处理这些病死仔猪需要耗费大量的人力,效率低下且容易引起仔猪应激。针对当前规模化猪场养殖进程中存在的问题和亟待解决的技术问题,本文设计一套基于深度学习的断奶仔猪行为识别系统,该系统能够实时地识别仔猪行为姿态状况,并同步将行为姿态信息提醒管理员,及时对异常仔猪采取救治、隔离等处置措施,缩短猪舍中有感染风险的异常仔猪的滞留时间,降低病菌感染风险,提高仔猪成活率和养殖福利水平,确保猪场仔猪生产安全有序。本文以江苏省扬州市江都区邵伯镇仔猪实验地的断奶期长白仔猪为研究对象,采用图像数据自动采集系统实时采集仔猪图像,并将采集的仔猪图像无线传输至云服务器,云服务器接收到的图像通过基于深度学习网络的仔猪行为姿态识别系统处理后,可实现实时识别猪场仔猪的行为姿态状况,并将之显示在Android App端。研究的主要内容:(1)研究分析断奶仔猪行为特点和图像数据的采集与处理。总结归纳出断奶仔猪采食、饮水2种行为和非采食、饮水时仔猪的站立、卧2种主要姿态,分析这4种类别的特点。将采集到的数据依次进行筛选、标注、增强操作,最后制作成PASCAL VOC和COCO 2种格式的数据集。(2)基于YOLOv4、CenterNet和FCOS算法的断奶仔猪行为姿态识别模型研究。设计基于YOLOv4、CenterNet和FCOS算法的断奶仔猪行为姿态识别模型,并对比其检测性能,建立基于YOLOv4深层卷积网络算法的断奶仔猪行为姿态识别模型。测试表明,行为姿态识别模型在断奶仔猪数据集上的查全率和查准率均在98%以上,检测速度达到29.2FPS,该模型能够较为准确地识别猪场中断奶仔猪的采食、饮水2种行为和非采食、饮水时仔猪的站立、卧2种姿态。(3)应用基于YOLOv4算法的断奶期仔猪行为姿态识别模型检测分析了3种不同饲喂原料对仔猪采食、饮水2种行为和非采食、饮水时仔猪的站立、卧2种姿态的影响。结论如下:1)饲喂添加抗生素金霉素饲料的的仔猪和饲喂添加乳果糖-凝结芽孢杆菌合生素饲料的仔猪采食量均大于正常饲喂的对照组仔猪;2)饲喂添加抗生素金霉素饲料的仔猪比正常饲喂的对照组仔猪饮水量更少;3)断奶期仔猪饲喂添加抗生素金霉素饲料与饲喂添加乳果糖-凝结芽孢杆菌合生素的饲料并不会对仔猪站立时间产生影响;4)饲料中添加乳果糖-凝结芽孢杆菌合生素的断奶仔猪卧时间比正常饲喂的对照组仔猪更短。(4)应用基于YOLOv4算法的断奶期仔猪行为识别模型检测分析了急性应激试验条件下饮水行为和非饮水时仔猪的站立、卧2种姿态共3种类别与正常条件下仔猪这3种类别的差异。结论如下:1)急性应激试验使3种饲喂原料的断奶期仔猪饮水时间均显著减少;2)急性应激试验使3种饲喂原料的断奶期仔猪站立时间均显著减少;3)急性应激试验使3种饲喂原料的断奶期仔猪卧时间均显著增多。(5)断奶仔猪行为姿态信息管理平台实现。本文设计了一套基于Android的断奶仔猪行为姿态信息管理平台,该平台主要包括中间件、数据库和Android客户端3个设计部分。平台能够实现猪舍视频数据的采集、存储与处理分析,最终将处理结果实时呈现在Android界面上,实现对断奶仔猪行为的自动检测与并帮助猪场管理人员发现异常行为姿态仔猪。
基于深度学习的强度关联多光谱图像重建算法研究
这是一篇关于多光谱图像重建,深度学习网络,光谱偏振信息提取,GISC光谱相机,关联成像的论文, 主要内容为随着目标探测技术的发展,多光谱和偏振图像重建技术充分利用物体的光谱信息和偏振信息可以实现对目标的精准识别,因此受到了越来越多学者的关注和研究。其中,基于稀疏约束鬼成像(Ghost Imaging via Sparsity Constraint,GISC)的光谱相机因其简化了光谱成像过程而受到格外的重视,现有的GISC多光谱图像重建算法存在重建速度慢和重建质量低的问题,对GISC多光谱图像重建算法的深入研究将进一步推动鬼成像技术在光学成像体系的发展。本文分别围绕GISC多光谱图像的基于深度学习的重建以及传统算法(关联运算重建和压缩感知重建)与深度学习网络结合的联合重建等方法开展研究,实现GISC多光谱和偏振图像的高质量和快速重建。本文主要工作及创新点如下:一、针对传统重建算法在关联计算过程中未充分利用图像数据导致重建图像质量低的问题,提出了基于空间和谱间Transformer的GISC多光谱图像重建算法。利用深度学习网络对多光谱图像的空间相关信息和谱间相关信息进行精细的特征映射,以增强对图像的多维特征表示。将差分鬼成像(Differential Ghost Imaging,DGI)的快速重建结果作为深度学习网络的输入,以降低网络对系统测量矩阵的灵敏度,增强网络的灵活性。实验结果表明,基于GISC光谱成像系统和ICVL高光谱图像数据,本文方法重建图像的峰值信噪比相对U-Net系列网络提高了1.1d B以上;比DGI、压缩感知等算法提高了14d B以上。二、针对低采样率下GISC多光谱图像重建质量低,网络不轻量的问题,提出了基于压缩感知和Co T-Unet的GISC多光谱图像重建算法。利用卷积网络和上下文自注意力,提出一种改进的U-Net结构的轻量化深度学习网络Co T-Unet。该网络利用Res2Net-SE模块,以充分提取多光谱图像的空间相关信息和有效表示图像的多尺度特征;同时,该网络采用对不同空间方向上的上下文自注意力的设计,以精确表示图像细节特征。此外,本文提出将压缩感知算法的结果作为Co T-Unet网络的输入,结合压缩感知算法可重建出低采样率图像的优势,利用深度学习网络进一步完善图像细节特征,以提高重建图像的质量。实验结果表明,压缩感知与Co T-Unet结合的联合重建方法可以实现低采样率下高质量的图像重建。三、针对GISC多光谱偏振图像重建质量低的问题,面向GISC光谱偏振相机,基于Co T-Unet所具有的强大的特征表示能力,同时结合压缩感知算法在低采样率下重建图像的优势,本文将压缩感知与Co T-Unet结合的重建方法扩展到GISC光谱偏振图像重建任务中,提出了一种基于Co T-Unet的GISC光谱偏振图像重建方法。在图像重建过程中,利用压缩感知算法初步重建的各偏振态下的光谱图像,作为Co T-Unet网络训练模型的输入,重建高质量偏振光谱图像。分析了文中方法分别在四个线偏振方向(0°,45°,90°和135°)下重建目标物体图像的质量。实验结果表明,相对传统算法和基于Co T-Unet网络的方法,该方法重建的光谱偏振图像质量最优。
基于深度学习的断奶仔猪行为识别系统设计与实现
这是一篇关于长白仔猪,行为识别,抗生素,深度学习网络,Android的论文, 主要内容为猪作为我国重要的家畜之一,其需求量随着经济社会的蓬勃发展而不断增加。幼年时期的猪抵抗力低,特别是断奶时期仔猪自身免疫系统尚未完全建立,从依靠母乳获取营养转变为完全独立采食饲料,失去母源抗体营养支持的仔猪抵抗力变弱,同时离开了仔母共居的生活场地会产生应激,导致仔猪阶段成为生猪饲养环节中最脆弱、最关键的一环,断奶仔猪的健康养殖受到产业领域的重点关注。断奶仔猪行为状况是判断仔猪健康与否的的重要依据,及时对异常行为仔猪作出处理能最大限度的减少猪场损失。在规模化猪场实际的生产中,每天都有一定数量的病死仔猪出现,发现并处理这些病死仔猪需要耗费大量的人力,效率低下且容易引起仔猪应激。针对当前规模化猪场养殖进程中存在的问题和亟待解决的技术问题,本文设计一套基于深度学习的断奶仔猪行为识别系统,该系统能够实时地识别仔猪行为姿态状况,并同步将行为姿态信息提醒管理员,及时对异常仔猪采取救治、隔离等处置措施,缩短猪舍中有感染风险的异常仔猪的滞留时间,降低病菌感染风险,提高仔猪成活率和养殖福利水平,确保猪场仔猪生产安全有序。本文以江苏省扬州市江都区邵伯镇仔猪实验地的断奶期长白仔猪为研究对象,采用图像数据自动采集系统实时采集仔猪图像,并将采集的仔猪图像无线传输至云服务器,云服务器接收到的图像通过基于深度学习网络的仔猪行为姿态识别系统处理后,可实现实时识别猪场仔猪的行为姿态状况,并将之显示在Android App端。研究的主要内容:(1)研究分析断奶仔猪行为特点和图像数据的采集与处理。总结归纳出断奶仔猪采食、饮水2种行为和非采食、饮水时仔猪的站立、卧2种主要姿态,分析这4种类别的特点。将采集到的数据依次进行筛选、标注、增强操作,最后制作成PASCAL VOC和COCO 2种格式的数据集。(2)基于YOLOv4、CenterNet和FCOS算法的断奶仔猪行为姿态识别模型研究。设计基于YOLOv4、CenterNet和FCOS算法的断奶仔猪行为姿态识别模型,并对比其检测性能,建立基于YOLOv4深层卷积网络算法的断奶仔猪行为姿态识别模型。测试表明,行为姿态识别模型在断奶仔猪数据集上的查全率和查准率均在98%以上,检测速度达到29.2FPS,该模型能够较为准确地识别猪场中断奶仔猪的采食、饮水2种行为和非采食、饮水时仔猪的站立、卧2种姿态。(3)应用基于YOLOv4算法的断奶期仔猪行为姿态识别模型检测分析了3种不同饲喂原料对仔猪采食、饮水2种行为和非采食、饮水时仔猪的站立、卧2种姿态的影响。结论如下:1)饲喂添加抗生素金霉素饲料的的仔猪和饲喂添加乳果糖-凝结芽孢杆菌合生素饲料的仔猪采食量均大于正常饲喂的对照组仔猪;2)饲喂添加抗生素金霉素饲料的仔猪比正常饲喂的对照组仔猪饮水量更少;3)断奶期仔猪饲喂添加抗生素金霉素饲料与饲喂添加乳果糖-凝结芽孢杆菌合生素的饲料并不会对仔猪站立时间产生影响;4)饲料中添加乳果糖-凝结芽孢杆菌合生素的断奶仔猪卧时间比正常饲喂的对照组仔猪更短。(4)应用基于YOLOv4算法的断奶期仔猪行为识别模型检测分析了急性应激试验条件下饮水行为和非饮水时仔猪的站立、卧2种姿态共3种类别与正常条件下仔猪这3种类别的差异。结论如下:1)急性应激试验使3种饲喂原料的断奶期仔猪饮水时间均显著减少;2)急性应激试验使3种饲喂原料的断奶期仔猪站立时间均显著减少;3)急性应激试验使3种饲喂原料的断奶期仔猪卧时间均显著增多。(5)断奶仔猪行为姿态信息管理平台实现。本文设计了一套基于Android的断奶仔猪行为姿态信息管理平台,该平台主要包括中间件、数据库和Android客户端3个设计部分。平台能够实现猪舍视频数据的采集、存储与处理分析,最终将处理结果实时呈现在Android界面上,实现对断奶仔猪行为的自动检测与并帮助猪场管理人员发现异常行为姿态仔猪。
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：代码工厂 ，原文地址：https://m.bishedaima.com/lunwen/54503.html
