5个研究背景和意义示例,教你写计算机模型定制论文

今天分享的是关于模型定制的5篇计算机毕业论文范文, 如果你的论文涉及到模型定制等主题,本文能够帮助到你

在线3D模型定制化系统设计与实现

这是一篇关于3D打印,模型定制,在线定制的论文, 主要内容为3D打印是采用分层加工、迭加成型的方式逐层增加材料来生成三维实体的制造技术,3D打印技术具有多材料、多功能、多色彩特性的表面纹理,具有成本低、耗材少、自由度高、工艺复杂度低和短生产周期的优势。随着3D打印所需成本的降低,包括打印机和打印材料等。3D打印逐渐走进寻常百姓家,为普通人所熟知。3D打印需要建模出三维模型,有三维模型文件才能进行打印。虽然目前桌面端的3D建模软件层出不穷,但是由于需要专业性知识才能操作,所以对于普通用户来说,对三维模型进行较为简单的个性化操作仍然是一个难题。目前我们获取三维模型的数据一般还是通过手动通过建模、扫描重建和直接下载网络模型等方式。手动建模由于专业性较强,扫描重建的成本过高,直接下载模型灵活性有限,并且往往找不到想要的三维模型,这些对于普通用户来说都是不友好的方式。鉴于以上原因本文将设计一种在Web页面嵌入交互式三维模型编辑的模型设计系统,特点是简单易用,让普通用户能够体验定制模型的乐趣。本系统采用B/S架构,前端部分主要使用了 Three.js、Bootstrap等开源框架,实现了三维场景的搭建,相机和控制器的设置,模型的导入导出,模型交互和定制等功能模块。后端部分主要使用了 Node.js框架,实现包括建立服务器接收前端HTTP请求和对三维模型的数据库存取操作等功能,满足前端对后台数据的请求操作并将结果返回前端。面向3D打印技术,在Web端实现轻量级的摆脱插件的在线3D模型定制,最后导出为可打印的.stl模型文件。本系统主要实现了在web页面的在线三维模型的定制功能,主要流程包括三维模型的导入/选取,模型的三维变换操作,模型的交互和定制,导出模型为可打印三维模型文件格式。在本文的最后部分,将对在线3D模型定制化系统的优缺点进行总结分析,并对在线3D模型定制化系统进行展望。

基于深度学习的定制化图像识别系统的设计与实现

这是一篇关于模型定制,图像分类,语义分割,目标检测,神经网络搜索的论文, 主要内容为深度学习技术近些年在人工智能领域占据着越来越重要的位置,特别是在图像、语音识别、语言处理方面展现了巨大的运用优势,基于深度学习的图像识别技术已经得到了广泛的应用。目前,这些应用由于其复杂性大都存在于大企业或大机构,对于一些个人、团队、体量小的企业想要根据自己的需求定制一个图像识别模型是较为困难的。为了降低定制图像识别模型的复杂度,本文设计并实现了一个基于深度学习的定制化图像识别系统。通过该系统,用户根据自身的需求制作数据集并上传,然后在系统定制界面中配置相关参数,系统将依据配置参数对模型训练、模型评估以及对模型进行部署,从而实现了对图像识别模型的定制。本文的主要工作如下:(1)定制化图像识别模型的研究。在定制图像识别模型时,可以从如下三个维度定制:第一,对图像识别中最核心的图像分类、语义分割和目标检测三种模型进行定制,在对模型定制之前,依赖于预先设计好的模型。在图像分类模型中,利用主干网络来提取图像的特征,然后在网络的顶端使用全连接层来输出每个类别上的概率。该模型在Image Net Te数据集上最高实现了99.87%的准确度,其结果与其它模型相比表现得更优。在语义分割模型中,提出了基于编码器-解码器结构的特征金字塔聚合网络(Feature Pyramid Aggregation Network,FPANet)。在编码器阶段,该模型使用主干网络来提取图像在各个分辨率下的特征,即金字塔特征,并在网络的顶端设计了一个轻量级的空洞空间金字塔池化模块用于增强特征的语义信息。在解码器阶段,提出了一种双路特征金字塔网络来增强已提取的特征,在该网络中,提出了特征金字塔融合模块去融合不同层级上的特征。最后,提出了边界优化模块去改善模型对小对象和边界分割不准确的问题。该模型在Cam Vid和Cityscapes数据集上分别取得了m Io U为75.5%和75.9%的准确度,其结果已经超越了主流的模型。在目标检测模型中,提出了一种基于Anchor Free的单阶段检测网络(One-Stage Detector,OSDet),它依赖于主干网络提取金字塔特征,然后设计了一个特征金字塔网络来增强金字塔特征的表示能力,最后利用金字塔特征进行检测。该模型在公开的PASCAL VOC数据集上最高实现了AP为82.89%的准确度,其结果优于其它模型。第二,在不同的计算平台上对模型进行定制。为了使模型发挥更好的性能,本文针对CPU和GPU分别设计了两种不同基础的网络结构模块。第三,在不同的性能上对模型进行定制。为了满足模型在不同性能上的需求,本文设计了神经网络搜索算法去搜索图像分类、语义分割和目标检测所依赖的主干网络,以此来提供高速度和高准确度的模型。除此之外,还可以使用神经网络搜索算法在期望的模型性能条件下搜索模型的网络结构。(2)模型训练模块的设计与实现。用户定制模型完后,将会对模型进行训练。由于Py Torch本身并不自带完备的训练模块,所以本文针对于Py Torch设计了一个训练框架,该框架除了对模型进行训练外,还提供了数据可视化、模型存储、模型评估等功能。(3)模型部署模块的设计与实现。训练模型完后,为了实现在客户端上对图像进行识别,需要将模型进行部署来为客户端提供调用的接口。本文提供了两种模型部署的方式,一是将模型部署在服务端,用户依据HTTP接口的规范发送请求,即可完成图像识别任务;另一种是选择将模型导出,部署在移动端等设备上。(4)定制化图像识别系统的设计与实现。本文将以上图像识别模型、模型训练模块和模型部署模块进行集成,设计并实现了一个具有Web界面的定制化图像识别系统。通过该系统,用户无需编写代码即可完成对图像识别模型的定制,从而降低用户定制模型时的复杂度。