检索结果-南通市图书馆

作者：孙彦茹天津大学

学位级别：硕士

随着越来越多的高科技系统暴露于空间环境中,极端空间天气成为了人类社会的一大威胁。而在太阳系中,空间天气受到太阳风的影响,所以对近地太阳风状况进行可靠的预测可以有效减少空间天气对人类社会的影响,对于建立有效的空间天气预报系... 详细信息

随着越来越多的高科技系统暴露于空间环境中,极端空间天气成为了人类社会的一大威胁。而在太阳系中,空间天气受到太阳风的影响,所以对近地太阳风状况进行可靠的预测可以有效减少空间天气对人类社会的影响,对于建立有效的空间天气预报系统也有着重要的意义。近年深度学习的快速发展,使得太阳风速度预测的性能得到大幅提升,但是大部分方法没有显式捕获不同太阳风特征之间的关系,而且长期预测无法实现较好的结果。为了实现更准确的预测结果,本文结合太阳风数据特点,紧密围绕时空关联信息挖掘的问题,提出了以下工作:(1)提出了一种基于双维注意力机制的太阳风速度预测方法。这一方法主要考虑了特征和时间两个维度的信息对预测的重要影响,在编码器部分利用注意力机制使得模型关注较为重要的特征和时刻,初步探索时空关联信息挖掘的方法;并采用门控循环单元(GRU)处理时序依赖作为模型的解码器部分进行预测。在真实数据集上的实验结果进一步验证了所提出的方法的有效性。(2)提出了基于图注意力机制的太阳风速度预测方法。这一方法将每个特征作为节点学习图结构,利用图注意力模型学习各个太阳风特征参数之间的复杂依赖关系,并采用膨胀因果卷积捕获长期依赖特征,进行长序列建模,进一步挖掘时空关联信息。通过与其他方法的对比也证明了提出的方法的有效性,并展现出此方法在长期预报方面的优势。(3)构建并公开了经过预处理的2011-2017年相关数据集,包括OMNI中的相关数据以及从极紫外(EUV)图片中提取出的冕洞信息。整体而言,本文收集并整理了拉格朗日1点(L1)测量的OMNI数据集以及EUV图片预测太阳和地球之间L1点的太阳风速度,并通过大量的对比实验和消融实验验证了所提出方法的有效性。本文提出的太阳风速度预测方法充分挖掘了数据内部的时空关联信息,延长了预报时间,实现了对太阳风速度短期以及长期的预报。

关键词：太阳风速度预测深度学习时空关联信息挖掘

基于人机协同和自监督学习的智能货柜目标检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于人机协同和自监督学习的智能货柜目标检测

作者：刘肖宇天津大学

学位级别：硕士

近年来,受益于深度卷积神经网络的成功,目标检测在准确性和效率上都取得了较大的进步。然而在算法的进步背后,海量的数据和注释必不可少。虽然通过相机或移动设备采集图像较为简单,但用于训练的目标注释需要在图像中确定目标的类别标签... 详细信息

近年来,受益于深度卷积神经网络的成功,目标检测在准确性和效率上都取得了较大的进步。然而在算法的进步背后,海量的数据和注释必不可少。虽然通过相机或移动设备采集图像较为简单,但用于训练的目标注释需要在图像中确定目标的类别标签和边界框,人力成本较高。尤其是在需要专业知识或复杂的场景下,标注是难以获取的。尽管颇具挑战性,如何利用大规模未标注或部分标注数据减少标注成本并增强模型性能因其重要性正日益引起人们的关注。作为目标检测的典型应用场景,由于商品类别的差异性和多样性,标注的工作量影响了智能零售领域研究和应用的进度。首先,本文介绍了我们提出的IRC数据集。该数据集涵盖了10个大类200余种常见的零售商品,采集于真实无人冰柜环境下,包括超过3万张图片和37万个物体标注。同时考虑到实际环境的复杂,我们人为加入了多种异常场景。多种算法评测表明了数据集的挑战性及不同类别表现的差异性。为了解决大规模数据集的标注花费问题,我们提出了人机协同目标检测框架SPAL。该框架仅使用小部分标注初始化检测器,在学习过程中通过主动学习挖掘未标注图像,挑选有价值样本进行人工标注。同时使用自步学习的思想,从易到难给予剩余样本可信的伪标签。在迭代过程中控制选取参数的变化,最终得到一个标注良好的完整数据集和较好的检测模型。在PASCAL VOC和IRC数据集上进行的对比实验表明,我们提出的框架具有良好的鲁棒性,在小数据量上表现良好。与其他持续学习框架相比,SPAL可以用更少的标注实现相当的检测性能,避免伪标注错误积累带来的精度下降问题。进一步的,针对智能零售类别变化快的特点和IRC数据集的领域先验知识,本文提出了一种自监督增量学习框架SILM。加入原检测器不包含的类别时,在没有新类别标注的前提下,构建一个与检测器共享参数的特征提取器,通过对新样本的特征提取和聚类,迭代标注新样本,更新训练集和检测器,从而得到适应无标注新类别的模型。实验结果表明,该方法可以基于类别进行自动标注,从而大大减少了工作量,提高了模型的快速适应性。

关键词：计算机视觉目标检测主动学习人机协同自监督学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

语义分割的批量式主动学习方法

语义分割的批量式主动学习方法

作者：谭瑶天津大学

学位级别：硕士

图像语义分割是指根据语义信息,对图像中每个像素点进行分类标注的技术。它是一个计算机视觉领域的基础研究课题,它对于场景理解和环境感知具有重要的意义。然而,语义分割模型的训练需要大量可靠有效的数据集,并且语义分割图像逐像素标... 详细信息

图像语义分割是指根据语义信息,对图像中每个像素点进行分类标注的技术。它是一个计算机视觉领域的基础研究课题,它对于场景理解和环境感知具有重要的意义。然而,语义分割模型的训练需要大量可靠有效的数据集,并且语义分割图像逐像素标注需要耗费大量的时间和人力。为了解决有效数据集不足和样本标注耗时耗力的问题,本文利用主动学习算法从未标注数据集中选择更有意义的样本进行标注,构造可靠有效的数据集。为了更好的实现语义分割的批量式主动学习方法的研究,本文结合语义分割任务的特点,提出了以下几个工作:(1)提出了一种基于先验信息的批量模式的主动学习算法用于语义分割任务,为了更好地度量像素之间的联系,本文将非局部自相似度的先验信息引入到主动学习的选择策略的设计中;该主动学习算法是融合了非局部自相似度,信息量以及代表性三种准则,每一种准则进行对应的样本选择,是一种符合语义分割特性的主动学习方法。另外,本文还利用了一种不确定性度量方式,用于图像不确定性的度量。根据选择策略迭代地从未标注样本池中主动选择样本进行标注,构造可靠有效的训练集,训练语义分割模型。针对该算法,设计了一定的基准实验,以验证其有效性和可行性。(2)提出了一种通用的基于多策略样本选择的批量模式主动学习算法用于语义分割任务,包括图像边缘信息,信息量和代表性三种选择策略,它们分别从不同的角度度量了样本的信息,不同的选择策略能够实现训练集的样本多样性。三种准则分别选择样本组成选择样本集合,由人工标注后更新已标注和未标注样本集,构造可靠有效的训练集。此方法将图像边缘信息引入到主动学习算法中,能够弥补信息量和代表性准则的不足,选择对语义分割任务更有效的样本。针对该算法,设计了一定的基准实验,以验证其有效性和可行性。整体而言,本文结合语义分割的任务特点,对批量式主动学习方法进行了研究,本文的方法可以构造可靠有效的语义分割数据集。针对语义分割任务,本文的方法不仅可以减少样本标注的成本,同时还可以利用更有效的数据集提高语义分割模型的精度。

关键词：主动学习语义分割多策略样本选择先验信息

基于数据抽取和地理信息技术的可视化森林火险预报系统设计与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据抽取和地理信息技术的可视化森林火险预报系统设计与实现

作者：金超群天津大学

学位级别：硕士

近些年来环境问题日渐突出,我国对森林资源的保护力度也逐渐增加,相应的森林火灾预防工作也成为显得尤为重要。从自然规律的角度来看,森林火灾的发生和一些气象因素、地理因素、人文因素之间有着紧密的联系,而这些因素之间的联系在一定... 详细信息

近些年来环境问题日渐突出,我国对森林资源的保护力度也逐渐增加,相应的森林火灾预防工作也成为显得尤为重要。从自然规律的角度来看,森林火灾的发生和一些气象因素、地理因素、人文因素之间有着紧密的联系,而这些因素之间的联系在一定程度上又可以用计算机模型表示出来,所以建立一个能够准确预测森林火灾发生的计算机系统是非常必要的。本文从系统架构的角度出发,阐释了一些林火预报系统建设过程中所需要解决的问题,并在此基础上实现了一个林火等级预报系统的雏形。具体工作包括以下几个方面:·介绍国内外在林火预报系统建设方面的发展情况,通过分析国外一些比较成熟的林火预报系统,得到建设林火预报系统的理论基础。·站在软件工程的角度,详细解析建设一个林火等级预报系统所需要考虑到的系统设计分析和具体实现过程中所涉及的技术层次的问题。·以云南省为样例展示林火概率等级预报系统的运行情况,论证系统的可行性,为将来的林火预报工作提供了一个实用的具有较强扩展性强的系统。本文的创新之处在于,系统地阐释了建立森林火灾预报系统的整个流程,从数据获取,数据整合,到模型运算,再到结果展示,将网络数据整合技术、地理信息技术应用到森林火灾预报领域,再结合已有的预报模型,能够完成持续实时生成森林火灾预报结果的任务,为未来的计算机工作者提供了一个便于扩展,实用性强的系统,也为广大的森林工作者提供了直观的预报结果,供其进行决策参考。

关键词：森林火灾预报可视化地理信息技术

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的面部运动单元检测

基于深度学习的面部运动单元检测

作者：李烁天津大学

学位级别：硕士

面部表情识别是人脸研究的一个非常重要的模块,有广泛的应用场景,例如在智能安防场景下可以识别群体的情绪,来避免突发事件;在公安刑侦审讯过程中识别嫌疑人的微表情,来辅助办案人员判断其是否说谎;在网络授课过程中,通过摄像头捕捉学... 详细信息

面部表情识别是人脸研究的一个非常重要的模块,有广泛的应用场景,例如在智能安防场景下可以识别群体的情绪,来避免突发事件;在公安刑侦审讯过程中识别嫌疑人的微表情,来辅助办案人员判断其是否说谎;在网络授课过程中,通过摄像头捕捉学员的面部表情,来判断学生是否对授课内容存疑。但是仅仅是六种基础表情不足以描述复杂的人类情绪,针对这一问题,选择面部表情更为基础的单位——面部运动单元,而这些面部运动单元的组合可以用来描述更多的人脸表情。本文以深度学习为基础,研究面部运动单元检测方法,提出了两种面部运动单元检测算法,本文的主要研究成果如下:(1)针对部分面部运动单元占面部区域的面积小而经过大量卷积操作将会导致小目标细节特征丢失的问题,设计了非局部通道注意力模块NLCA Block,利用该模块的易移植性,将其嵌入到ResNet50和EfficientNet-B3网络结构中。鉴于从头训练ResNet50和EfficientNet-B3需要大量的数据,因此使用迁移学习,在ImageNet上训练的模型中恢复卷积层参数,再利用面部运动单元数据集进行微调,以完成面部运动单元的特征提取。实验证明NLCA Block在网络浅层部分更具有获取上下文语义优势,有助于提升小目标检测的准确率。此外,也利用其捕捉长距离特征的优势隐式学习了AU与AU之间的共现关系。本文设计的两种模型均在BP4D和DISFA数据集上进行了实验,证明嵌入NLCA Block的模型比现有的一些面部运动单元检测模型效果好,也具有良好的泛化能力。(2)针对面部运动单元数据集的AU样本分布不平衡以及难分类样本的问题,提出使用焦点损失Focal Loss来解决这一问题,并针对焦点损失的控制正负样本参数α和控制难易样本参数γ的多种取值进行实验,还设计了AU多标签共现关系损失函数来隐式学习AU之间的联系,隐含地增加样本较小的类别数据量,该算法在CK+数据集和BP4D数据集上均取得了良好的精度,证明在面部运动单元检测任务中,使用焦点损失和AU多标签共现关系损失函数对检测精度提升是有效的。

关键词：深度学习面部运动单元非局部模块焦点损失

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

非线性的无监督特征选择方法的研究

非线性的无监督特征选择方法的研究

作者：王广霞天津大学

学位级别：硕士

随着科学技术的迅猛发展,我们进入了大数据时代,应用系统产生的数据以爆炸性的速度增长。这些数据除了规模巨大以外,在诸如图像和视频理解、生物信息学、文本挖掘等领域也呈现出维度很高的特点。大量的研究和实践表明,事实上并不是所有... 详细信息

随着科学技术的迅猛发展,我们进入了大数据时代,应用系统产生的数据以爆炸性的速度增长。这些数据除了规模巨大以外,在诸如图像和视频理解、生物信息学、文本挖掘等领域也呈现出维度很高的特点。大量的研究和实践表明,事实上并不是所有的特征都是和学习任务(如分类)相关,也不是所有的特征都可以提高学习器的性能。这些特征是通常稀疏的,并且包含有大量无关和冗余信息。直接利用这些高维数据常常会面临高昂的计算代价、沉重的存储负担、以及由于不相关特征和冗余特征造成的性能下降等问题。因此,如何解决由数据的高维度带来的“维度灾难”和过拟合等问题已经成为研究的重点方向。特征选择已经显示出其解决上述问题的有效性。在现实应用中存在大量的未标记数据,已标记数据却很少,而人工标记数据的代价昂贵,因此如何在无监督的情况下进行特征选择成为了具有迫切需求和重要应用价值的研究方向。虽然很多无监督特征选择算法被提了出来,但它们通常有以下的限制:大多数现有的无监督特征选择方法通常假设选择出来的特征和类结构是线性相关的。然而,在现实世界中,二者之间关系的复杂性远非线性,而探索其复杂的关联往往较为困难但也极具价值。为了解决上述问题,本文引入了希尔伯特施密特独立性准则(HSIC)来度量选择的特征和类结构之间的非线性关系,提出了基于HSIC的单视角和多视角的非线性无监督特征选择方法。具体内容如下:1、度量单视角数据下选择的特征和类结构之间的非线性关系。在单视角下提出了基于HSIC的非线性无监督特征选择方法:首先通过谱聚类来学习数据的类结构–伪类标签,通过?范数保证特征选择矩阵的稀疏性;不同于其他方法,本文利用HSIC来度量选择的特性和类结构之间的非线性关系。2、探索多视角数据选择的特征和类结构之间的非线性关系。在多视角下提出了基于HSIC的非线性无监督特性选择方法:利用多视角数据之间的互补性,通过谱聚类来学习数据的类结构;为了保证多视角数据的一致性,不同于其他多视角特征选择方法在每个视角上学习相同的类结构,我们的方法引入了一致性的类结构,有效的处理了可能存在的噪声和异常值,更加的鲁棒;利用HSIC来度量学习到的特征和一致性的类结构之间的非线性关系。

关键词：非线性无监督特征选择多视角

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于一致性与相关性的图像描述建模

基于一致性与相关性的图像描述建模

作者：张涛天津大学

学位级别：硕士

图像自动描述是一项结合了计算机视觉与自然语言处理两个领域的综合性任务。该任务很具有挑战性,主要在于图片中的目标、属性、场景以及彼此之间错综复杂的关系和自然语言的灵活多样性。受基于编解码机制的机器翻译模型的启发,基于编解... 详细信息

图像自动描述是一项结合了计算机视觉与自然语言处理两个领域的综合性任务。该任务很具有挑战性,主要在于图片中的目标、属性、场景以及彼此之间错综复杂的关系和自然语言的灵活多样性。受基于编解码机制的机器翻译模型的启发,基于编解码机制的图像描述模型被提出,并在图像描述任务上取得了很大的性能提升。该算法使用卷积神经网络对图片提特征(编码),循环神经网络作为语言模型来生成图像描述语句(解码)。本文总结了现有图像描述方法的一些不足,并在传统的基于注意力机制的图像描述算法上增加了相关约束,同时探索视觉信息与语义信息之间的一致性与相关性。一致性是指文本语句的上下文关系,当给定上一时刻生成的单词以及当前时刻的视觉信息时,一致性试图最大化预测单词的概率,保证生成描述语句的语法逻辑正确性。而相关性是指视觉信息与文本语义信息之间的关系,保证了图像描述的内容与图片内容更相符,更相关。本文所提出的方法更具一般性,并在两个公共数据集上验证了算法的性能,分别为:Flickr30k和MS COCO。同时使用BLEU-1,2,3,4、Meteor、RougeL和CIDEr共7个评分矩阵来评估算法的性能。实验结果显示,相比于没有考虑相关性约束的算法,本文提出的算法在所有评分指标上都有很大的提升,生成的图像描述语句更具灵活性与多样性。

关键词：编解码一致性相关性

基于深度学习的多模态数据特征提取与选择方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的多模态数据特征提取与选择方法研究

作者：赵磊天津大学

学位级别：硕士

随着互联网的发展以及科学技术的不断进步,在现实生活与科学研究中都积累了大量类型不同的数据。而且其中大部分数据都呈现为结构各异的非结构化数据,具有维度较高,表现形式迥异,含有大量冗余信息等特点。而传统的机器学习方法又无法直... 详细信息

随着互联网的发展以及科学技术的不断进步,在现实生活与科学研究中都积累了大量类型不同的数据。而且其中大部分数据都呈现为结构各异的非结构化数据,具有维度较高,表现形式迥异,含有大量冗余信息等特点。而传统的机器学习方法又无法直接利用这些多模态非结构化数据,提出一种用于多模态数据的特征提取方法成为迫切需要。同时因为不同模态中包含着冗余信息甚至噪声信息,对于这一问题需要提出一种能够对不同数据模态的特征进行选择的方法,以便去除冗余与噪声信息。本文提出了一系列基于深度学习的多模态数据特征提取与特征选择方法。首先为了解决多模态环境下不同数据模态之间结构差异巨大,传统机器学习方法无法直接应用这一现实问题,本文引入了深度学习这一特征提取方法,将深度学习的思想应用于多模态特征提取。本文提出了一种多模态神经网络,对于每一种模态都有一个独立结构的多层子神经网络与之对应,用于将不同模态下的特征转换为同模态特征。同时通过位于这些子神经网络之上的所有模态共有的一个网络层,在这些这些不同的模态之间建立联系,最终将多个异构模态转换成为同一模态并且从中提取出多种数据模态的融合特征。另一方面,不同的模态对于当前的学习任务作用也不尽相同,为了评价不同模态对于当前学习任务的重要程度,本文提出了一种结合了深度神经网络与稀疏表达学习的多模态特征评价与选择方法。首先使用多模态神经网络将不同模态的异构特征转换成为同模态下的同构特征,随后采用基于结构化稀的特征选择方法,得到不同模态的重要性权值,选择出对于当前学习任务最重要的特征,从而达到剔除冗余信息与噪声的作用。一系列的实验结果均表明,本文提出的方法可以有效地对多模态特征进行特征提取,并且可以对不同模态进行正确的相关性评价,有效去除冗余与噪声信息。

关键词：多模态数据特征提取特征学习深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

单调贝叶斯网络参数学习算法研究

单调贝叶斯网络参数学习算法研究

作者：杨景焯天津大学

学位级别：硕士

随着人工智能技术受到人们越来越广泛的重视和应用,贝叶斯网络作为经典的机器学习算法,以其概率推理准确和语义表达清晰的优势,在不确定性建模和概率推理等问题上得到了广泛的应用。贝叶斯网络参数学习作为贝叶斯网络研究和应用的一个... 详细信息

随着人工智能技术受到人们越来越广泛的重视和应用,贝叶斯网络作为经典的机器学习算法,以其概率推理准确和语义表达清晰的优势,在不确定性建模和概率推理等问题上得到了广泛的应用。贝叶斯网络参数学习作为贝叶斯网络研究和应用的一个重要的问题和挑战,准确地学习网络参数对贝叶斯网络模型的准确性和可解释性具有重要的影响。在现实世界的很多应用中,人们能够收集得到的样本数据是有限的。所以,针对有限的训练样本数据,如何提升网络参数学习的准确性是一个重要的研究课题。同时,有学者研究表明单调性广泛存在于生活中的各个领域,在很多问题中属性与属性、属性与决策之间存在着一定单调性关系。本文围绕着有限训练样本数据的贝叶斯网络参数学习问题,基于贝叶斯网络节点之间的单调性关系和贝叶斯网络的单调性展开研究,主要的研究工作和创新点如下:（1）本文提出了一种纯数据驱动的单调贝叶斯网络参数学习方法。首先,该方法通过单调性衡量指标自动地提取网络节点之间的单调性关系;然后,基于贝叶斯网络的单调性定义构造网络节点条件概率表的单调性不等式约束,将贝叶斯网络参数学习转化为一个约束优化问题;最后,通过不同的方法对该问题进行求解。在公开的标准贝叶斯网络库和真实分类数据集上的实验验证了本文提出的方法在有限训练样本数据上的有效性。（2）针对现实中获得的样本通常带有缺失数据,本文提出了一种带单调性约束的EM改进算法。改进后的EM算法通过在每一轮迭代的M步求解中添加基于贝叶斯网络单调性定义构造得到参数单调性不等式约束,将最大化期望似然函数转为约束优化问题。改进后的EM算法使得在M步求解得到的网络参数满足网络节点之间单调关系,降低了EM算法对训练样本数据量的依赖。在不同缺失率数据集上的实验结果表明了改进后的EM算法提升了参数学习的准确性。

关键词：贝叶斯网络参数学习单调性提取单调性约束

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于隐空间的多视图自表示子空间聚类

基于隐空间的多视图自表示子空间聚类

作者：李蕊煌天津大学

学位级别：硕士

实际应用中的数据往往都有多种形式,比如不同的模态、来源和特征,多视图的信息分别用来描述某个事物不同的方面,如果只使用一个视图的信息,分析将缺乏全面性,如果可以同时利用多个视图的信息,将会有效的加强数据分析的效果。多视图聚类... 详细信息

实际应用中的数据往往都有多种形式,比如不同的模态、来源和特征,多视图的信息分别用来描述某个事物不同的方面,如果只使用一个视图的信息,分析将缺乏全面性,如果可以同时利用多个视图的信息,将会有效的加强数据分析的效果。多视图聚类已经成为了计算机视觉和机器学习领域的一个重要研究课题,它的目标是得到一个多视图一致的划分结果。但是目前的多视图数据仍然存在两个主要挑战:一方面,数据的多个视图之间有复杂的非线性关联;另一方面,多视图数据通常是高维的,并且不同视图之间是高度异构的。除此之外,当前的子空间聚类算法的复杂度很高,伸缩性较差。为此,本文提出了三种方法来解决这些问题。(1)基于核化多视图隐表示学习的子空间聚类。该工作提出了一种基于表示学习的子空间聚类方法。通过增强隐表示和每个视图的核相关性来灵活地建立一个隐表示,从而使隐表示可以编码多个视图的完备信息。该工作中引入了核相关性度量来挖掘多个视图之间的复杂非线性关联。该工作采用交替方向乘子法(ADM)来优化目标函数,在真实数据集上达到了比对比方法更好的聚类性能。(2)层次化的多视图子空间聚类。该工作提出一种相互指导的多层自表示学习方法,包括两个主要成分:层次化自表示层和反向编码网络。前者通过建立相互指导的多层自表示来层次地挖掘高维数据潜在的低维子空间结构;后者挖掘了不同视图之间的复杂关联,并且潜在地使每个视图的子空间结构趋于一致。隐表示将多层自表示连接起来,灵活地编码所有视图的信息,从而能够更加全面的描述数据,大量的实验验证了该算法的有效性。(3)可伸缩自监督多视图子空间聚类。本工作以自监督的方式训练分类器,分类器一旦训练好,就可以预测未知数据的标签,而不需要重新聚类或计算关系矩阵。该模型以小批量的方式来训练,可以很容易地迁移到大数据上。该方法在多个公开数据集上都明显超过了其它子空间聚类方法。

关键词：多视图子空间聚类核相关性反向编码可伸缩性