5个研究背景和意义示例,教你写计算机仿射变换论文

今天分享的是关于仿射变换的5篇计算机毕业论文范文, 如果你的论文涉及到仿射变换等主题,本文能够帮助到你

基于平均视觉和仿射变换的自监督部件分割方法及其应用

这是一篇关于部件分割,自监督,仿射变换,细粒度识别,行人重识别,脸部编辑的论文, 主要内容为利用部件分割算法提取对象的部件表征,从部件层次上感知和分析对象得到了越来越多的关注。与语义分割相比,部件分割需要更精细的数据标注和部件层次的框架设计,面临的挑战更大。目前自监督部件分割方面的工作较少,同时低数据依赖的语义分割工作也难以迁移到该任务上来。本文优化并提出了多种自监督的部件分割算法,降低对标注数据样本的依赖,并探究了自监督算法生成的部件在下游任务中的应用。本文的主要工作和创新点如下:(1)针对基于约束的工作仅在特征空间定位部件的问题,本文提出了一种基于平均视觉约束的自监督部件分割算法MVCPS,在图像空间而非特征空间寻找对象本身的视觉一致性。首先按部件分割结果提取各部件内的平均像素,接着按部件填充平均像素以生成重构图像,约束原始图像与重构图像的差异,指导网络生成更准确的部件分割结果。相较于SCOPS算法,在CUB-200-2011数据集上整体MAE误差降低了6.4%。(2)针对仅利用单一静态图像定位部件的问题,本文结合对象运动信息,提出了一种基于仿射变换的自监督部件分割算法AFFPS,并针对易导致模型无法收敛的四个挑战给出了相应的解决方法。该方法通过部件拆分、仿射矩阵获取和部件独立仿射变换生成重构图像。通过约束重构图像和参考图像之间的差异,生成准确的部件分割结果。相较于目前性能最好的MSCS和MRAA算法,在Tai-ChiHD数据集上MAE误差降低了3%-12%,IOU指标提升了5%-11%。在Vox-Celeb数据集上MAE误差降低了6%-19%。(3)探索自监督部件在下游任务中的应用。针对细粒度识别任务,提出了基于部件的Part Mix数据增强算法,使Res Net-50在CUB-200-2011数据集上的细粒度识别精度提升1.34;针对行人重识别任务,提出了基于部件的全局-部件-前景三特征分支行人重识别框架Part Re ID,在Market-1501和Duke MTMC-re ID数据集上的m AP分别达到87.3和78.0,相较于基准算法Reid-strong,在课题组构建的行人数据集HNU-re ID上的跨域重识别m AP和Rank-1分别提升了6.5-7.3和9.4-12.4;针对脸部编辑任务,设计了基于部件的脸部编辑框架Partfake,并开发了便于用户使用的脸部编辑演示系统。本文针对现有工作仅在特征空间定位部件和仅利用单一静态图像定位部件的问题,提出了基于平均视觉约束的自监督部件分割算法MVCPS和基于仿射变换的自监督部件分割算法AFFPS,并通过多个下游视觉任务中的实际应用验证了算法的有效性,为部件分割技术的实际应用提供了借鉴和思路。

基于仿射变换的知识图谱嵌入技术研究与应用

这是一篇关于知识图谱,知识图谱嵌入,仿射变换,关系路径,链接预测,知识图谱问答的论文, 主要内容为知识图谱嵌入作为连接知识图谱和其他应用领域如问答系统、推荐系统、信息检索系统的重要桥梁,受到了广泛的研究。在知识图谱中,连接两个实体的关系具备对称、组合、反转等特性,这些特性被称为关系模式。知识图谱包含各种关系模式,这些关系模式揭示了知识图谱中普遍存在的规则。挖掘新的关系模式并设计能够构建更多关系模式的模型是知识图谱嵌入的主要研究方向之一。许多知识图谱嵌入模型的成功源于对各种关系模式的建模,但是一些关系模式依旧难以被同时建模,如不可交换组合模式和多重关系模式。本文从关系模式角度对基于距离的嵌入模型进行研究,主要贡献包括:1.分析了现有基于距离的知识图谱嵌入模型,提出了使用二维仿射变换构建的基于距离的知识图谱嵌入模型AffE,通过理论和实验证明了 AffE可以建模6种关系模式,包括反转模式、对称模式、非对称模式、不可交换组合模式、可交换组合模式和多重关系模式;使用AffE在公开数据集WN18RR、FB15k-237和YAGO3-10上执行链接预测任务并与最近的研究工作进行比较分析。2.利用了知识图谱中的路径信息,提出了路径正则化方法。路径正则化使用头、尾实体之间的关系路径约束它们之间的关系,帮助模型学习到更好的嵌入向量;为了避免无效路径带来噪声,路径正则化使用数据驱动的全局过滤机制和基于注意力机制的局部过滤机制过滤掉无效关系路径;路径正则化的效果在链接预测任务上进行验证。3.将AffE模型应用到知识图谱问答领域中,得到扩展模型AffE-KGQA。AffE-KGQA利用AffE对缺失关系的预测能力,能够从知识图谱中获取多跳推理结果;使用AffE-KGQA在数据集MetaQA上执行多跳问答进而分析其性能。实验结果表明,与本文所知的模型相比,AffE在WN18RR上的所有指标取得了最好的结果,在FB15k-237上的几乎所有指标,达到了最好的结果;路径正则通过有效路径的约束能够提高知识图谱嵌入模型的表现,AffE在使用路径正则后进一步提升了链接预测的结果;知识图谱问答模型AffE-KGQA在MetaQA数据集的完整知识图谱上取得了接近最先进模型的结果,在MetaQA数据集的不完整的知识图谱上取得了最先进的结果。

面向中医药领域的命名实体识别方法研究

这是一篇关于命名实体识别,中医药,嵌套实体,仿射变换,预训练语言模型的论文, 主要内容为人工智能技术的广泛应用与国家政策的大力支持加快了中医药数字化发展的步伐,中医药数字化发展既是民生之需,也是弘扬民族优秀文化之举。中医药知识图谱的构建、寻医问诊对话系统的搭建等任务是当下火热的研究方向,而上述任务能否顺利进行,能否高效运行,命名实体识别技术都发挥着举足轻重的作用。命名实体识别技术作为中医药数字化发展的基石,旨在从中医药文本中识别出关键实体,面临着诸多挑战。除了中文命名实体识别本身固有的弱点之外,中医药文本专业性极强,文本相对白话文更晦涩难懂;文本格式不均衡,或长或短,截断、补全都有损文本语义完整性。针对这些痛点,本文做了如下工作:1、构建标准数据集。利用爬虫等技术搜寻中医医案、中医药说明书等原始数据,完成数据清洗之后,采取人工及自动化标注,共计药物名称、药物成分、药物性味、药物剂型、药物功效、疾病、症状、症候八类主要的实体。2、基于预训练语言模型提出两种针对性较强的中医药文本命名实体识别方法。中医药领域的实体都是专业术语,其语义信息的捕捉较难且极为关键。之所以选择预训练语言模型是因为其在语义表示方面的巨大优势,有助于增强中医药文本语义表示,从而使得文本特征提取更为准确。3、针对嵌套实体的优化。嵌套实体的存在很大程度上影响着识别效率,为此本文引用计算机视觉领域常用的仿射变换技术并加之改进,从丰富语义表示层面减少嵌套实体对命名实体识别的干扰。最后在自建的数据集上展开充分实验。结果表明进行嵌套实体优化之前,药物功效类实体的识别效果最佳,其准确率、召回率、F1值分别达到了93.11%、92.45%、92.78%。融合仿射变换机制后,各类实体的识别效果都有所增强,其中药物成分类实体的准确率提高了8.23%。实验数据分析结果表明了本文针对中医药领域提出的命名实体识别方法的可行性和有效性。

基于深度学习的快递面单识别系统

这是一篇关于Swin-Transformer,Deformable Detr,霍夫变换,仿射变换,条形码识别的论文, 主要内容为近年来,随着国内电商经济的快速发展,作为电商重要支撑的快递产业持续保持高速增长,快递企业需要不断地提高生产的智能化、自动化水平以满足业务发展的需要。快递面单检测与识别是实现快递企业智能化、自动化的重要环节。通过扫描快递面单上的条形码信息,可以快速准确地将快递包裹与用户的信息进行匹配,实现快递包裹的自动化出入库处理。本文设计了一种基于深度学习Transformer的快递面单识别系统,该系统分为条形码定位和条形码解码两个部分。条形码定位部分使用Swin-Transformer提取快递面单不同层级的特征图,然后将特征图输入Deformable Detr中进行特征融合和解码,从而得到条形码在快递面单中的包围盒。该算法使用Transformer网络结构进行特征提取、特征融合与目标解码,充分利用了Transformer的全局感知能力与较强的通用建模能力。同时,该算法属于一阶段目标检测算法,能够进行端到端的训练并实现了网络参数的联合优化。条形码解码部分包含水平旋转和解码。其中,水平旋转算法使用霍夫变换检测条形码中的直线,并进而计算条形码的倾斜角度,然后使用仿射变换旋转条形码至水平位置。本文采用形态学方法对条形码图像进行处理,提高了霍夫变换检测的性能。对于旋转至水平位置的条形码,本文采用Open CV实现了Code-128解码,从而获得条形码对应的快递单号。基于条形码定位和解码算法,本文设计并实现了基于Android平台的快递面单扫码系统,用户可以使用手持设备进行快递面单的扫码,并进而实现出入库操作。