6个研究背景和意义示例,教你写计算机特征学习论文

今天分享的是关于特征学习的6篇计算机毕业论文范文, 如果你的论文涉及到特征学习等主题,本文能够帮助到你

基于知识图谱的众测任务分配技术的设计与实现

这是一篇关于知识图谱,特征学习,众包测试,任务分配的论文, 主要内容为众包测试通过短时间招募大量测试工人对待测软件进行测试,解决了传统测试过程中测试人员组成单一、周期长、成本高的问题。但众包模式下测试人员的非专业和不确定也会导致测试报告质量参差不齐、测试需求覆盖率不达标、重复缺陷报告数量多、效率低的问题。为此,本文设计了“基于知识图谱的众测任务分配技术”,力图通过个性化任务分配充分发挥众包工人在众测中的个体优势和群体智慧,改善上述问题,提高测试报告质量和测试完成效率。技术具体包括三个模块:1)知识图谱数据获取模块:引入“协作式众包测试”概念,构建完整的众测报告提交平台来获取知识图谱所需数据。众包工人在此平台领取三级页面测试任务填写缺陷报告时可以看到他人的相似缺陷报告并在其基础上进行增改,帮助提高报告质量,减少重复报告数目。众包工人也需要执行审核任务,即通过点赞点踩的方式审阅他人缺陷报告,推动最终可交付报告生成。2)知识图谱特征学习模块:系统根据平台中数据构建众包领域内知识图谱,结合众包工人历史执行任务记录作为输入,利用机器学习模型得到众包工人对特定任务的偏好,综合当前测试任务的三级页面覆盖情况,审核任务的缺陷报告点赞点踩数量情况,个性化分配测试任务和审核任务给众包工人。3)知识图谱任务分配模块:将任务分配结果和当前任务执行情况可视化展示给众包工人,帮助提高测试需求的覆盖率和整体测试效率。在实现技术上,本系统前端使用Angular2框架,后端平台部分使用Spring Boot框架经典的MVC架构。热点数据用Redis缓存在内存中提高响应速度,使用No Sql数据库的代表Mongo DB进行数据持久化,有利于提高系统数据的处理速度和灵活性。特征学习模块使用Python脚本构建,利于和存储知识图谱实体关系数据的Neo4j图数据库便捷交互。此外,系统使用Nginx负载均衡,ii使用Docker容器化技术对所有模块进行了独立部署,保证系统各部分的健壮性和可移植性。系统进行了功能测试和性能测试并顺利通过,证明系统满足使用需求。同时通过设计实验的方式比较使用本文技术系统与采用协同过滤技术分配任务的系统在一次众包测试中提交缺陷报告的数量和质量,证明了本文技术有效性。

基于特征学习的高光谱图像分类

这是一篇关于特征学习,数据融合,高光谱图像分类,密集网络的论文, 主要内容为在高光谱遥感影像处理和应用中,高光谱图像分类是一项重要内容,对获取地物信息具有重要意义,其已经被广泛应用于地物勘探、精细农业、天气预报等领域。由于高光谱数据分类时空间信息逐层减少,且高光谱数据仅对材质信息敏感等特性,导致高光谱分类中易出现细粒度空间信息丢失、对高程信息不敏感等问题,这使得高光谱图像分类面临巨大的挑战。针对细粒度空间信息丢失问题,本文提出基于高低阶信息融合的细粒度空间卷积神经网络(Fine-Grained Spatial Convolutional Neural Network,FGSCNN)。该模型首先对原始数据进行数据增强,之后利用编码器从处理后的数据中提取高阶语义,然后通过解码器保留具有高阶语义的细粒度空间信息,最后进行分类。本文在三个公开数据集中评估了FGSCNN的性能,实验证明,与其他经典模型CNN-PPF、SS-CNN、DRCNN等相比,本文建立的FGSCNN模型具备更高的分类准确率,即证明细粒度空间信息的充分利用可以提高高光谱图像分类的准确率。针对高光谱数据对高程信息不敏感的问题,本文提出了基于Dense Net的双路Dense Net网络(Double-Branch Dense Net,DBD)。DBD模型大体可分为两路分支,其中一路分支对高光谱数据进行特征处理,压缩光谱维度,并通过三维卷积核同步提取高光谱数据的光谱特征和空间特征;另一路分支提取雷达数据的高程信息,利用密集连接,得到雷达数据的高程特征。两路特征进行特征级融合,得到具有高程信息的高光谱特征,从而进行分类。本文在另外两个含有雷达数据的公开数据集中评估了DBD的性能,通过对比实验发现,将富含高程信息的雷达数据与富含光谱信息的高光谱数据融合后进行分类的分类结果要优于单纯使用高光谱数据进行分类,这说明融合雷达数据确实可以提高高光谱数据的分类准确率;而当仅使用雷达数据时,两个数据集的分类效果都极差,说明雷达数据只能作为辅助手段来增强对高光谱数据的分类,而不能单独使用。

基于知识图谱的众测任务分配技术的设计与实现

基于域自适应网络的目标重识别研究

这是一篇关于目标重识别,行人重识别,车辆重识别,特征学习,注意力机制的论文, 主要内容为目标重识别目前集中在行人重识别和车辆重识别方向,用作检索固定目标在其它摄像机或该摄像机下的相似目标,并按照相似性排序,是跨摄像机追踪系统主要的组成部分之一。随着算力的飞速发展和亟需解决的应用安全问题,目标重识别技术主要与目标检测、目标跟踪技术搭配使用,在公共安全、智慧校园、视频监控、智能交通和城市计算等领域具有普遍的应用需求。由于采集装备差,安装在不同位置上的摄像机拍摄的图片质量参差不齐,还有目标各角度特征不同等因素的干扰,目标重识别自身存在的挑战很多,这给研究者们带来多重困难,在方法设计上也衍生出了针对不同干扰项新颖的解决办法。根据目标类别,目标重识别主要有行人和车辆两个重要类别研究。论文针对行人存在遮挡和姿势变化问题,研究设计了基于多尺度批量特征丢弃网络模型实现复杂环境下行人重识别,同时针对车辆重识别任务面临类间差异小和识别率低的问题,提出了一种基于部件解析随机擦除和注意力融合的推理网络。实验结果表明,针对行人和车辆问题提出的算法在主流数据集上超越了大多数算法,达到了较为先进的水平。针对行人重识别任务,为了解决行人重识别存在的遮挡和姿势变化问题以及目前网络识别率低的缺陷。提出了不同空间维度的多分支行人重识别网络模型,首先利用IBN-Net50-a为基础骨干网络提取特征。然后对最后两层卷积层融合批量特征丢弃方法,以增强局部区域专注特征学习。最后拼接不同维度的特征,能够包含更多浅层、深层的有用信息。训练时,采用三元组损失和标签平滑损失联合策略。使用三个常用的基准数据集Market1501,Duke MTMC-re ID和CUHK03进行实验验证,并按照主流策略划分数据集。实验结果表明,所提方法在特征映射方面很强大,获得了不错的行人重识别精度。针对车辆重识别任务,虽然近年来的方法通过从关键点或零件边界框学习详细特征取得了很大的改进,但车辆重识别问题仍远未得到解决。因此提出了一种用于车辆重识别的部件解析随机擦除和注意力融合的推理网络,该网络选择嵌入了IBN层的Res Net50网络作为特征映射的基础网络,使用部件解析随机擦除方法对输入训练的车辆图片进行数据增强,加强网络的鲁棒性,并融合了Non-local注意力机制,能够得到原图上更多的细节,为后面的层带去更丰富的信息。训练时,采用三元组损失和标签平滑损失函数联合策略。广泛的实验结果表明,所提方法在Ve Ri、Vehicle ID和VERI-Wild数据集上获得了良好的性能,这表明了该方法的有效性和通用性。

基于多特征增强的实体属性抽取研究

这是一篇关于属性抽取,远程监督,特征学习,多任务学习的论文, 主要内容为属性抽取旨在从非结构化文本中抽取与文本实体对应的属性和属性值,是知识图谱构建的一项重要子任务。目前,基于深度神经网络模型的属性抽取任务已取得长足进步。但是,属性抽取任务中依然存在较多亟待解决的问题,包括缺乏高质量标注数据、模型未能充分使用知识库中的知识、未登录词识别性能较低以及属性抽取模型对文本特征学习能力不足等。针对上述问题,本文的主要内容如下:(1)构建了基于远程监督的电商领域属性抽取数据集。本文基于电商文本和商品类目属性词典,通过远程监督的方式构建了一个包含类目标题数据和微博数据的电商属性抽取语料。针对远程监督标注存在大量漏标的问题,提出基于扩展三元组的远程监督标注方法,以较低的成本获取大量高质量的标注数据。为了充分展示数据特点,本文基于深度神经网络模型和多种预训练语言模型在该数据集上进行了一系列实验。实验结果表明,扩展三元组的远程监督标注方法有利于提高标注数据的质量,可有效缓解远程监督引入的漏标问题。(2)研究基于门控卷积方法的多特征增强属性抽取。随着知识图谱构建技术的日趋成熟,各领域的从业人员着手利用属性抽取技术丰富知识图谱实体节点的属性表达。然而现有的属性抽取模型难以有效抽取文本中的未登录词,且未能有效结合现有的领域知识库的知识。为解决未登录词难以识别的问题,本文将属性抽取任务转化为机器阅读理解任务,使用门控卷积操作提取文本中蕴含的片段特征,提高模型的属性抽取能力。此外,本文将知识图谱的三元组与文本包含的结构化片段相结合作为结构化信息,以提问的方式增强模型对属性类型的理解。实验结果表明,利用结构化信息与门控卷积方法可有效提高模型识别未登录词的能力。(3)研究基于多任务框架的多特征增强属性抽取。针对属性抽取任务中模型泛用性不足、未登录词的识别率低以及对属性类型学习不充分的问题。本文提出一种词边界特征增强方法,通过强化文本中各个词汇的边界特征,帮助模型准确定位属性值首尾位置,同时将分词特征融入文本编码,强化模型对文本词汇特征的学习。此外,本文结合多任务框架,将句子中是否存在待抽取属性作为辅助任务增强模型对属性类型的感知,并通过与结构化信息交互的方式进一步提高模型对属性类型特征的捕获。为证明所提出的模型具有良好的泛用性,本文在电商数据、影视数据和人物属性数据进行了充分实验。实验结果表明,本文提出的模型能有效识别未登录词且具备良好的泛用性。综上所述,本文分别从数据集构建、特征提取、多任务联合训练这三个角度出发,利用多种特征来改进属性抽取系统的性能,一定程度上解决了属性抽取任务现有的难点,并结合大量实验证明所提方法的有效性。