基于批特征擦除的行人重识别深度网络模型研究
这是一篇关于行人重识别,深度网络,批特征擦除,注意力机制,多粒度的论文, 主要内容为行人重识别是一种从大量行人视频图像数据中对身份相同的行人进行匹配的技术,在城市安防、路网监测、人员跟踪等诸多工程应用领域均发挥重要的核心作用,受到了产业界和学术界的广泛关注。随着人工智能技术的飞速发展,基于深度学习的行人重识别模型与算法成为当前研究的主流,这些研究主要面向相对简单的无遮挡行人视频图像数据场景,并取得了丰硕的成果。由于真实监控环境往往较为复杂,存在物体、环境和其他行人的遮挡问题,这为行人特征提取引入噪声,造成丢失部分行人特征信息,给行人重识别研究带来极大挑战。为此,一些学者尝试设计新的模型,将遮挡行人重识别作为独立问题加以解决,然而这些模型对无遮挡行人识别效果较差。针对现有模型存在的问题,本文旨在面向遮挡和无遮挡场景,建立统一的端到端行人重识别模型,在保证模型对无遮挡行人图像的识别精度的同时,提升模型对遮挡行人图像的鲁棒性。本文主要工作和创新如下:(1)研究了基于深度学习的行人重识别理论技术基础。首先总结了深度网络基础算法和概念,以此为基础分析行人重识别标准的基准网络框架结构。其次分析了行人重识别预处理和后处理方案。最后论述了本文使用进行实验的5种大型行人数据集和直观展示行人重识别模型性能的评价指标m AP和Rank-1。(2)建立了基于批特征擦除的多粒度行人重识别模型。针对卷积神经网络侧重于提取网络深层特征忽视浅层颜色、样式等低层特征问题,提出使用Res Net50-IBN-a骨干网络代替常用骨干网络Res Net50作为行人重识别的核心部分;针对当前基于深度学习的行人重识别研究者通常对单个尺度下提取的全局特征问题,本文采用在骨干网络深层连接多粒度模块扩大模型对于行人不同粒度的特征提取,保存更多更丰富的细节信息;针对使用水平切片方法进行多粒度特征提取算法存在提取细节特征不全面的问题,提出批特征擦除模块通过擦除提取的特征的方法迫使网络关注行人主干之外的细节特征。最后,在Market1501?Duke MTMC-re ID?Occluded-Duke?CUHK03-Detected和CUHK03-Labeled五个公开数据集上实验验证了该模型的有效性,与其它文献相比均具有一定优越性。(3)建立了基于批特征擦除和注意力机制的多粒度行人重识别模型。借鉴人眼关注机制的注意力机制算法,使用通道和空间信息作为加权依据对输入特征进行自适应的加权,有侧重地提取局部细节特征;基于Res Net50-IBN-a骨干网络构,建立基于注意力机制的多粒度行人重识别模型。研究了CBAM注意力机制模块插入模型不同位置对模型性能的影响,寻找最优插入位置,建立基于批特征擦除和注意力机制的多粒度行人重识别统一模型。最后,在Market1501?Duke MTMC-re ID?Occluded-Duke?CUHK03-Detected和CUHK03-Labeled五个公开数据集上实验验证了该模型的有效性,给出其最优组合方案。与其它文献相比均具有一定优越性。(4)利用Python语言,基于Py Qt库开发了行人重识别原型系统。实现了本文提出的模型训练、测试、可视化和绘制图像的功能,可以更直观地验证本文提出的模型用于行人重识别的有效性和可行性。本论文共有图39幅,表19个,参考文献85篇。
基于用户兴趣挖掘的新闻推荐系统的设计与实现
这是一篇关于新闻推荐,用户兴趣挖掘,多粒度,知识图谱的论文, 主要内容为随着电子信息技术的不断发展,新闻生产和传播的速度越来越快。用户在享受方便的同时也面临困扰,面对海量讯息不知如何选择。新闻推荐系统可以根据用户的历史阅读情况,对用户推荐可能兴趣的内容,提高用户的使用体验,是解决信息过载问题的关键。现有的新闻推荐方法往往以用户阅读过的新闻为基本单位,对用户兴趣进行建模,尽管用户的兴趣可以通过用户历史阅读过的新闻来表示,但是新闻为单位进行建模会丢失新闻之间内部的联系,可能会丢失更细粒度的用户兴趣。本文提出了一种基于知识图谱的细粒度用户兴趣挖掘算法,利用图注意力网络从知识图谱中挖掘邻居实体包含的信息,通过多头自注意力捕获用户阅读过的实体之间的联系,将用户阅读过的实体信息进行聚合来学习用户细粒度的兴趣表示。本文将多粒度的用户兴趣结合,从用户阅读过的新闻和用户阅读过的实体两个粒度对用户兴趣进行建模,将粗细两种粒度的兴趣融合起来对用户进行推荐。在MIND数据集上的实验表明,本文提出的算法能够学习到更高质量的用户表示,取得更好的推荐效果。针对于新闻推荐系统训练过程中面临的正样本不足的问题,本文通过对比学习构造自监督任务,对候选新闻的表示进行数据增强,通过Dropout机制构造正样本对,通过对比学习损失拉近正样本对在空间中的距离,推远正负样本表示之间的距离。将推荐任务和自监督任务联合起来进行训练,在MIND数据上进行的实验表明该方法学习到了更高质量的新闻表示,提高了推荐的效果。结合提出的多粒度用户兴趣挖掘算法,本文实现了基于多粒度用户兴趣挖掘的新闻推荐系统。本文从需求分析,功能设计,系统架构设计等方面详细对系统进行了介绍,并对系统功能进行了测试。系统功能正常,可以满足用户的推荐需求且具有较为良好的性能。
基于用户兴趣挖掘的新闻推荐系统的设计与实现
这是一篇关于新闻推荐,用户兴趣挖掘,多粒度,知识图谱的论文, 主要内容为随着电子信息技术的不断发展,新闻生产和传播的速度越来越快。用户在享受方便的同时也面临困扰,面对海量讯息不知如何选择。新闻推荐系统可以根据用户的历史阅读情况,对用户推荐可能兴趣的内容,提高用户的使用体验,是解决信息过载问题的关键。现有的新闻推荐方法往往以用户阅读过的新闻为基本单位,对用户兴趣进行建模,尽管用户的兴趣可以通过用户历史阅读过的新闻来表示,但是新闻为单位进行建模会丢失新闻之间内部的联系,可能会丢失更细粒度的用户兴趣。本文提出了一种基于知识图谱的细粒度用户兴趣挖掘算法,利用图注意力网络从知识图谱中挖掘邻居实体包含的信息,通过多头自注意力捕获用户阅读过的实体之间的联系,将用户阅读过的实体信息进行聚合来学习用户细粒度的兴趣表示。本文将多粒度的用户兴趣结合,从用户阅读过的新闻和用户阅读过的实体两个粒度对用户兴趣进行建模,将粗细两种粒度的兴趣融合起来对用户进行推荐。在MIND数据集上的实验表明,本文提出的算法能够学习到更高质量的用户表示,取得更好的推荐效果。针对于新闻推荐系统训练过程中面临的正样本不足的问题,本文通过对比学习构造自监督任务,对候选新闻的表示进行数据增强,通过Dropout机制构造正样本对,通过对比学习损失拉近正样本对在空间中的距离,推远正负样本表示之间的距离。将推荐任务和自监督任务联合起来进行训练,在MIND数据上进行的实验表明该方法学习到了更高质量的新闻表示,提高了推荐的效果。结合提出的多粒度用户兴趣挖掘算法,本文实现了基于多粒度用户兴趣挖掘的新闻推荐系统。本文从需求分析,功能设计,系统架构设计等方面详细对系统进行了介绍,并对系统功能进行了测试。系统功能正常,可以满足用户的推荐需求且具有较为良好的性能。
基于用户兴趣挖掘的新闻推荐系统的设计与实现
这是一篇关于新闻推荐,用户兴趣挖掘,多粒度,知识图谱的论文, 主要内容为随着电子信息技术的不断发展,新闻生产和传播的速度越来越快。用户在享受方便的同时也面临困扰,面对海量讯息不知如何选择。新闻推荐系统可以根据用户的历史阅读情况,对用户推荐可能兴趣的内容,提高用户的使用体验,是解决信息过载问题的关键。现有的新闻推荐方法往往以用户阅读过的新闻为基本单位,对用户兴趣进行建模,尽管用户的兴趣可以通过用户历史阅读过的新闻来表示,但是新闻为单位进行建模会丢失新闻之间内部的联系,可能会丢失更细粒度的用户兴趣。本文提出了一种基于知识图谱的细粒度用户兴趣挖掘算法,利用图注意力网络从知识图谱中挖掘邻居实体包含的信息,通过多头自注意力捕获用户阅读过的实体之间的联系,将用户阅读过的实体信息进行聚合来学习用户细粒度的兴趣表示。本文将多粒度的用户兴趣结合,从用户阅读过的新闻和用户阅读过的实体两个粒度对用户兴趣进行建模,将粗细两种粒度的兴趣融合起来对用户进行推荐。在MIND数据集上的实验表明,本文提出的算法能够学习到更高质量的用户表示,取得更好的推荐效果。针对于新闻推荐系统训练过程中面临的正样本不足的问题,本文通过对比学习构造自监督任务,对候选新闻的表示进行数据增强,通过Dropout机制构造正样本对,通过对比学习损失拉近正样本对在空间中的距离,推远正负样本表示之间的距离。将推荐任务和自监督任务联合起来进行训练,在MIND数据上进行的实验表明该方法学习到了更高质量的新闻表示,提高了推荐的效果。结合提出的多粒度用户兴趣挖掘算法,本文实现了基于多粒度用户兴趣挖掘的新闻推荐系统。本文从需求分析,功能设计,系统架构设计等方面详细对系统进行了介绍,并对系统功能进行了测试。系统功能正常,可以满足用户的推荐需求且具有较为良好的性能。
基于粒度划分的社交网络用户关系发现
这是一篇关于知识图谱,多粒度,残差网络,空洞卷积,多模态特征的论文, 主要内容为随着新型社交网络的兴起,社会网络服务得到了飞速的发展,这促使人们可以更加快捷方便地进行信息传播与实时交流。但是社交网络在促进社会经济发展和人文交流的同时,也带来了“信息爆炸”的问题。由于社交网络可能包含数以万计的节点和边关系,因此整个网络关系推理的过程会非常的复杂,如果可以将节点表示为低维的向量,就可以很大程度上解决这一问题。网络表示学习就是将网络中节点的特征,嵌入至低维向量中的方法,而学习到的这些向量将会保留节点的相似性。针对以上问题,本文提出了一种基于粒度划分的社交网络关系发现方法,该方法结合社交网络用户的结构特征和文本特征来获得用户节点的低维表示,然后利用得到的节点表示分析用户之间的关系。本文的主要研究工作如下:(1)利用知识图谱中的实体信息作为先验知识与深度神经网络结合来增加粒度信息。先验知识的加入使数据集得到扩充的同时也使得原本属于同一类型的文本更容易聚集,这样就弱化了模型的过拟合问题,并减少模型对样本的依赖性,从而进一步提高文本特征提取的效果。(2)多层神经网络模型会随着深度增加而出现梯度消失、功能退化的问题,本文利用残差块来代替原来的深度神经网络层,同时空洞卷积与原始卷积相比,空洞卷积使用不同空洞率得到的特征是多粒度且不重复的,这样可以解决局部特征丢失和信息重复的问题。最后文章通过实验证明使用空洞卷积可以提升文本特征抽取的准确率。(3)综合考虑了用户节点的文本和结构等多个模态特征,并投影到同一分类子空间,同时在进行多模态特征融合时,利用Bilinear模型对多模态向量进行训练,从而得到社交网络用户节点的唯一低维向量表示,并在爬取的真实网络数据上进行用户关系发现。
基于用户兴趣挖掘的新闻推荐系统的设计与实现
这是一篇关于新闻推荐,用户兴趣挖掘,多粒度,知识图谱的论文, 主要内容为随着电子信息技术的不断发展,新闻生产和传播的速度越来越快。用户在享受方便的同时也面临困扰,面对海量讯息不知如何选择。新闻推荐系统可以根据用户的历史阅读情况,对用户推荐可能兴趣的内容,提高用户的使用体验,是解决信息过载问题的关键。现有的新闻推荐方法往往以用户阅读过的新闻为基本单位,对用户兴趣进行建模,尽管用户的兴趣可以通过用户历史阅读过的新闻来表示,但是新闻为单位进行建模会丢失新闻之间内部的联系,可能会丢失更细粒度的用户兴趣。本文提出了一种基于知识图谱的细粒度用户兴趣挖掘算法,利用图注意力网络从知识图谱中挖掘邻居实体包含的信息,通过多头自注意力捕获用户阅读过的实体之间的联系,将用户阅读过的实体信息进行聚合来学习用户细粒度的兴趣表示。本文将多粒度的用户兴趣结合,从用户阅读过的新闻和用户阅读过的实体两个粒度对用户兴趣进行建模,将粗细两种粒度的兴趣融合起来对用户进行推荐。在MIND数据集上的实验表明,本文提出的算法能够学习到更高质量的用户表示,取得更好的推荐效果。针对于新闻推荐系统训练过程中面临的正样本不足的问题,本文通过对比学习构造自监督任务,对候选新闻的表示进行数据增强,通过Dropout机制构造正样本对,通过对比学习损失拉近正样本对在空间中的距离,推远正负样本表示之间的距离。将推荐任务和自监督任务联合起来进行训练,在MIND数据上进行的实验表明该方法学习到了更高质量的新闻表示,提高了推荐的效果。结合提出的多粒度用户兴趣挖掘算法,本文实现了基于多粒度用户兴趣挖掘的新闻推荐系统。本文从需求分析,功能设计,系统架构设计等方面详细对系统进行了介绍,并对系统功能进行了测试。系统功能正常,可以满足用户的推荐需求且具有较为良好的性能。
基于用户兴趣挖掘的新闻推荐系统的设计与实现
这是一篇关于新闻推荐,用户兴趣挖掘,多粒度,知识图谱的论文, 主要内容为随着电子信息技术的不断发展,新闻生产和传播的速度越来越快。用户在享受方便的同时也面临困扰,面对海量讯息不知如何选择。新闻推荐系统可以根据用户的历史阅读情况,对用户推荐可能兴趣的内容,提高用户的使用体验,是解决信息过载问题的关键。现有的新闻推荐方法往往以用户阅读过的新闻为基本单位,对用户兴趣进行建模,尽管用户的兴趣可以通过用户历史阅读过的新闻来表示,但是新闻为单位进行建模会丢失新闻之间内部的联系,可能会丢失更细粒度的用户兴趣。本文提出了一种基于知识图谱的细粒度用户兴趣挖掘算法,利用图注意力网络从知识图谱中挖掘邻居实体包含的信息,通过多头自注意力捕获用户阅读过的实体之间的联系,将用户阅读过的实体信息进行聚合来学习用户细粒度的兴趣表示。本文将多粒度的用户兴趣结合,从用户阅读过的新闻和用户阅读过的实体两个粒度对用户兴趣进行建模,将粗细两种粒度的兴趣融合起来对用户进行推荐。在MIND数据集上的实验表明,本文提出的算法能够学习到更高质量的用户表示,取得更好的推荐效果。针对于新闻推荐系统训练过程中面临的正样本不足的问题,本文通过对比学习构造自监督任务,对候选新闻的表示进行数据增强,通过Dropout机制构造正样本对,通过对比学习损失拉近正样本对在空间中的距离,推远正负样本表示之间的距离。将推荐任务和自监督任务联合起来进行训练,在MIND数据上进行的实验表明该方法学习到了更高质量的新闻表示,提高了推荐的效果。结合提出的多粒度用户兴趣挖掘算法,本文实现了基于多粒度用户兴趣挖掘的新闻推荐系统。本文从需求分析,功能设计,系统架构设计等方面详细对系统进行了介绍,并对系统功能进行了测试。系统功能正常,可以满足用户的推荐需求且具有较为良好的性能。
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：毕设项目助手 ，原文地址：https://m.bishedaima.com/lunwen/54515.html
