检索结果-南通市图书馆

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于时间上下文信息融合的孪生跟踪算法研究

基于时间上下文信息融合的孪生跟踪算法研究

作者：吴子平湘潭大学

学位级别：硕士

目标跟踪是在视频中,对选定的目标图像进行运动轨迹的检索。在基于孪生网络的视频跟踪器中,一般通过逐帧计算目标模板与预测区域之间特征的相似度得分,并选取相似度响应最高位置作为当前目标位置,这种方法在目标形变、运动模糊等复杂场... 详细信息

目标跟踪是在视频中,对选定的目标图像进行运动轨迹的检索。在基于孪生网络的视频跟踪器中,一般通过逐帧计算目标模板与预测区域之间特征的相似度得分,并选取相似度响应最高位置作为当前目标位置,这种方法在目标形变、运动模糊等复杂场景下的表现不佳,且过度依赖相似度计算,容易导致损失视频帧之间所涉及的时间上下文信息。利用卷积神经网络能够提取到有效的目标特征,但浅层特征例如外形轮廓、颜色等特征容易受到视频中的背景环境影响。如何在视频帧之间建立时间信息通道、如何有效的利用目标深度特征使模型能够缓解复杂背景的影响,是目标跟踪任务中需要重点解决的难题。基于以上问题,本文主要进行了以下的改进与创新:(1)本文针对孪生神经网络的对称性,提出了一种基于注意力机制的信息交互方法,用来加强孪生网络的子网络之间的信息交互,并且严格遵循孪生网络的平移不变性。以模板特征增强搜索特征,同时以搜索特征增强模板特征。与传统的注意力方法不同,其交叉是指孪生网络的子网络之间的信息交互。本文所提出的交叉注意力主旨在加强孪生网络的子网络之间的信息交互,应对在复杂环境的背景下,缓解跟踪时产生的丢失目标和漂移情况。在网络结构的设计上,使用查询向量与键向量生成特征的权值图,并使用另一子网络的值向量与权值特征进行聚合,使得子网络之间的特征信息进行交互。该方法在公开的数据集上进行了验证,取得了较好的效果,证明了该方法的有效性。(2)本文提出了一种基于类Transformer特征融合机制,融合视频连续帧之间的时序信息。与传统的在自然语言处理任务中使用的Transformer不同,为了保证孪生网络之间的平移不变性,设计了两个并行的分支,分别对应Transformer中的编码器与解码器,使其分离。并重新设计了两个编码器与解码器。类Transformer编码器,通过强化模板特征。在视频的复杂背景下,使模板特征具有更好的判别性。类Transformer解码器将融合模板分支特征,加强两个分支之间的特征交互,促进目标搜索过程。综上所述,本文方法主要是对孪生网络的子网络的信息交互方式进行研究,寻求合适的方式实现特征加强,并融合视频直接的时间上下文信息。最后在多个公开数据集上与当前先进算法加以比较,充分验证了本文算法的有效性。

关键词：目标跟踪注意力机制交叉注意力 Transformer 时间上下文信息

基于融合时间信息影响的SimRank算法的个性化推荐

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

统计与决策 2018年第13期34卷 85-87页

作者：刘曜潘芳潘郁朱晓峰南京工业大学经济与管理学院南京211816 南京中医药大学经贸管理学院南京210046

由个性化推荐的实际应用环境,文章提出一种融合时间上下文信息的基于二分图模型个性化推荐算法。首先引入时间衰减函数对基于二分图模型的SimRank算法进行改进,使得时间对推荐的影响量化成图中节点的关联概率值,设计出融合时间信息的Sim... 详细信息

由个性化推荐的实际应用环境,文章提出一种融合时间上下文信息的基于二分图模型个性化推荐算法。首先引入时间衰减函数对基于二分图模型的SimRank算法进行改进,使得时间对推荐的影响量化成图中节点的关联概率值,设计出融合时间信息的SimRank算法。再与协同过滤算法相结合,最终得到基于融合时间上下文信息的二分图模型的个性化推荐算法。实验结果表明：该算法比传统协同过滤算法以及基于二分图的SimRank算法在推荐的各项指标上有明显提高。

关键词：时间上下文信息二分图模型衰减函数 SimRank算法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于时间信息的深度推荐算法研究

基于时间信息的深度推荐算法研究

作者：孙圣尧吉林大学

学位级别：硕士

随着互联网技术的发展,目前人类进入了大数据时代,“信息过载”成为了当前人类面临的最困难的问题。对于互联网用户来说,他们无法从海量的数据中准确地获得自己感兴趣的内容。在最为经典的并且受到广泛应用的协同过滤算法中,其只关注到... 详细信息

随着互联网技术的发展,目前人类进入了大数据时代,“信息过载”成为了当前人类面临的最困难的问题。对于互联网用户来说,他们无法从海量的数据中准确地获得自己感兴趣的内容。在最为经典的并且受到广泛应用的协同过滤算法中,其只关注到用户的评分,没有考虑用户兴趣是随时间变化的这一情况,时间上下文信息都会对用户兴趣产生影响,因此,融合的时间上下文信息是一个非常有效的方法。此外,深度学习经过多年的研究与发展,其在各个领域都取得了不错的成果,面对复杂的非线性系统,深度神经网络具有更好的学习能力,人们可以通过深度神经网络挖掘节点更深层的信息,因而提高了模型的能力,所以深度神经网络推荐算法将拥有巨大的潜力。本文将用户项目交互的时间上下文信息与推荐算法相融合,提出一种基于时间信息的深度推荐算法。本文的主要工作如下:首先构造了一个只有编码器结构的表征学习模型,将评分矩阵和时间信息作为模型的输入,通过两种方式对时间进行处理,第一,引入时间衰减函数,通过用户物品的交互时间计算出时间权重值,生成时间权重矩阵;第二,通过多个维度对时间进行分解,得到用户和物品在不同维度下的活跃度。然后编码器对评分信息、时间权重以及用户和物品的活跃度进行编码,得到用户表征和物品表征。然后针对神经协同过滤所使用隐式反馈数据的缺点,在其基础上提出了基于时间信息的神经协同过滤算法,将神经协同过滤与表征学习模型相结合,挖掘用户和物品在时间影响下的隐含特征,解决用户兴趣和物品流行变化的问题,提高算法的性能。最后,使用Movie Lens公开数据集进行实验,并对模型进行调优,本文选取了几种现有的推荐算法进行对比实验,通过实验对比分析,本文算法在平均绝对误差(MAE)和均方根误差(RMSE)上取得了较好的结果,提升推荐的准确性。

关键词：推荐算法时间上下文信息深度学习神经协同过滤

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融入时序和速度信息的自适应更新目标跟踪

中国图象图形学报 2021年第4期26卷 883-897页

作者：尹宽李均利胡凯李丽四川师范大学计算机科学学院成都610101

目的针对目标跟踪算法在现实场景的遮挡、光照变化和尺度变化等问题,提出一种融入时序信息和速度信息的多特征融合自适应模型更新目标跟踪算法。方法通过提取目标的分级深度特征和手工设计方向梯度直方图(histogram of oriented gradien... 详细信息

目的针对目标跟踪算法在现实场景的遮挡、光照变化和尺度变化等问题,提出一种融入时序信息和速度信息的多特征融合自适应模型更新目标跟踪算法。方法通过提取目标的分级深度特征和手工设计方向梯度直方图(histogram of oriented gradients,HOG)特征,以全深度特征组合和深层深度特征与手工设计特征组合的方式构造两个融合特征器,提高在复杂场景下跟踪的稳健性;对融合特征进行可信度计算,选择最可靠融合特征对当前帧目标进行跟踪;在跟踪质量不可靠时,对目标表征模型进行更新,加入时间上下文信息和当前鲁棒表征信息,通过多峰值判定和运动速度判定选择最优目标预测位置作为最终结果。结果在OTB(object tracking benchmark)2013和OTB2015数据库上进行大量测试,与其他7个算法相比,本文算法总体效果取得最优,且在不同复杂环境下也取得了优秀的跟踪效果,在OTB13和OTB15数据库中,跟踪精度分别为89.3%和83.3%,成功率分别为87%和78.3%。结论本文算法利用深度特征与手工设计特征进行融合,对跟踪结果进行多峰值分析和运动速度判定,跟踪结果不佳时自适应更新特征进行重跟踪。实验结果表明,本文算法可以有效处理光照变化、背景杂波和遮挡等复杂因素的干扰,有效提升了跟踪质量。

关键词：目标跟踪分级深度特征时间上下文信息多峰值判定模型更新

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合时间因子和注意力的图协同过滤模型研究

融合时间因子和注意力的图协同过滤模型研究

作者：贾天浩吉林大学

学位级别：硕士

互联网技术的快速发展导致信息的爆炸式增长,海量的信息满足了用户对信息的需求,但同时也带来严重的信息过载问题。作为解决信息过载问题的有力手段,推荐系统可以根据用户的个性需求、兴趣爱好、历史行为等信息,以个性化地方式为用户提... 详细信息

互联网技术的快速发展导致信息的爆炸式增长,海量的信息满足了用户对信息的需求,但同时也带来严重的信息过载问题。作为解决信息过载问题的有力手段,推荐系统可以根据用户的个性需求、兴趣爱好、历史行为等信息,以个性化地方式为用户提供其感兴趣的信息、物品等。推荐系统的早期方法大多基于协同过滤思想和物品内容特征。最近,随着深度学习、注意力机制、图卷积网络在各自领域相继取得成功,研究人员开始尝试将这些新兴技术应用到推荐系统中,并开创性地设计了许多新颖有效的推荐模型。目前,通过借助新的表示学习技术或引入辅助信息以提高嵌入的表示能力成为推荐算法研究的核心内容。图结构数据蕴含丰富的结构信息和高阶关系信息,受到推荐系统领域研究人员越来越多的关注。基于此,神经图协同过滤(NGCF)设计了一种在图结构上递归地传播嵌入信息的推荐模型,并通过探索用户和物品之间的高阶连通关系捕获协同信号。但是,NGCF在嵌入信息传播的过程中没有考虑时间上下文对于用户偏好的影响,也没有区分不同邻居节点信息对目标节点表示的贡献。为了解决上述两个问题,本文在NGCF的基础上提出融合时间因子和注意力的图协同过滤模型TAGCF。该模型利用时间因子将时间信息融入到嵌入信息传播过程中,利用注意力机制来区分不同邻居的嵌入信息的影响。具体而言,对于每个一阶邻居的嵌入分别乘以一个时间因子和注意力系数构成两种嵌入信息,时间因子是基于交互发生的时间计算的,注意力系数是基于相似度确定的。然后将两种嵌入信息相加,利用聚合函数聚合所有邻居节点传播的嵌入信息以增强目标节点的表示。重复此过程以进行高阶信息传播聚合,利用注意力机制组合在不同传播阶下获得的嵌入表示,最后通过内积进行交互生成用户对物品的预测分数。通过在两个推荐系统数据集Movie Lens和Amazon-books上与NGCF等多个基线方法进行对比实验,以Recall、Precision、Hit、NDCG作为评价指标,验证了TAGCF的有效性及时间信息和注意力的作用。

关键词：推荐系统时间上下文信息注意力机制用户物品二部图协同过滤

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

推荐系统的研究及其在移动电子商务中的应用

推荐系统的研究及其在移动电子商务中的应用

作者：欧阳裕洁电子科技大学

学位级别：硕士

随着社会的计算机化,人们生产和收集数据的能力显著增强。海量信息在给这个时代带来机遇的同时也带来了许多棘手的难题,那就是信息的筛选和过滤。推荐系统是一种智能的信息筛选工具:系统自动记录并分析用户的历史行为数据,然后将用户最... 详细信息

随着社会的计算机化,人们生产和收集数据的能力显著增强。海量信息在给这个时代带来机遇的同时也带来了许多棘手的难题,那就是信息的筛选和过滤。推荐系统是一种智能的信息筛选工具:系统自动记录并分析用户的历史行为数据,然后将用户最感兴趣的信息呈现在用户面前。自推荐系统问世以来,被广泛地运用于在线电子商务系统中,同时也面临许多问题,例如以往算法未将时间这一动态信息建模到推荐模型中,从而不能捕获到与时间相关的各种重要规律,这称为静态推荐。为了解决这一问题,本文首先对推荐领域各类算法进行深入分析;然后,重点探讨了时间这一动态上下文信息对推荐结果的影响,并以协同过滤推荐算法为基础,将时间信息建模到该算法中,并给出具体的算法流程;最后结合移动设备特点,提出融合了移动设备特点的推荐方案并应用于在线图书销售系统中。本文的主要研究工作如下:(1)对目前主流的推荐算法进行深入研究,分析了各个算法的推荐机制以及优缺点,并通过简单实例对各算法进行了描述。重点分析了协同过滤推荐,详细描述了该类算法的执行流程;(2)通过分析现实生活推荐机制中的时间规律以及Netflix数据集中的时间现象,论证了时间信息对推荐系统的重要性;(3)对时间信息进行建模,提出了基于用户影响度的算法(IOE-User CF)以及基于物品耦合度及流行度的算法(PC-Item CF),并给出具体的流程;然后利用Netflix数据集从MAE值、推荐的准确率、召回率以及F1值等指标对两类算法的推荐质量进行评测。通过实验得出:本文融合了时间信息的算法比以往算法具有更好的推荐准确度;(4)最后,利用本文的算法思路,同时结合移动设备能方便地获取用户通讯录这一优点,建立融合移动设备特点的动态推荐模型。(5)为了论证本文的推荐模型具有一定的使用价值,最后设计一个简单的在线图书销售系统,并将上述模型应用该系统中。

关键词：协同过滤时间上下文信息用户影响度物品耦合度物品流行度

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于上下文感知的协同过滤算法研究

基于上下文感知的协同过滤算法研究

作者：杨航海南大学

学位级别：硕士

如今计算机和互联网技术的飞速发展,人们的日常生活方式已经逐渐的发生了巨大的改变。尤其近些年来,人们可以使用多种移动设备和应用,例如手机、平板、微博、QQ和微信等。这些设备和应用使得人们现在可以非常方便、自由、快捷地通过互... 详细信息

如今计算机和互联网技术的飞速发展,人们的日常生活方式已经逐渐的发生了巨大的改变。尤其近些年来,人们可以使用多种移动设备和应用,例如手机、平板、微博、QQ和微信等。这些设备和应用使得人们现在可以非常方便、自由、快捷地通过互联网获取有效的信息。但是,丰富的数据使得人们从网上寻找到自己想要的信息变的越来越难,这就是信息过载的问题。推荐系统的提出就是为了解决这个问题。协同过滤是推荐系统中应用最广泛的算法。相关人员在做研究时,传统的推荐算法常常忽视了上下文这一重要因素。上下文这一重要信息已经普遍的被运用到多个领域,因此为了有效的提高推荐系统的效率,即准确度,在推荐系统的算法中合理的结合上下文信息这一思想,从而使推荐结果可以更为高效和精确的满足用户。通过对主流推荐算法的学习和深入了解,将上下文信息这一重要因素作为研究对象,同时重点关注其中的时间上下文信息。基于这一研究路线,主要完成了以下几个方面的研究:当下主流推荐系统的研究现状以及整个推荐系统的发展过程,过往对于实现推荐系统中所使用的算法的理论研究与技术路线以及方法,上下文的发展过程以及背景知识概述、上下文信息三种获取方法以及上下文信息融入推荐系统中的三种方式,并且通过在近邻模型以及矩阵分解模型中融入时间上下文信息,通过训练模型从而提高算法推荐结果的准确率。因此本文从以下两个方面对研究内容开展了工作:1.通过对推荐系统的整个发展过程的了解,并深入的理解和叙述了当下推荐系统中四种常用的推荐算法,最后深入研究协同过滤推荐算法。通过比较四种推荐算法得出各自对于不同场景下的优势以及缺陷。推荐系统中常用的协同过滤算法,不仅可以提高用户之间的体验,而且得出推荐准确率有所提升,但还是存在数据稀少等相关问题。2.为了缓解数据稀疏和冷启动的这两大问题,本文提出了基于上下文感知的协同过滤算法,研究了上下文感知的相关内容,时间上下文信息对于推荐算法来说十分重要,由于目标群体的喜好以及程度都是和特定的时间以及周期相关的,同时物品的受喜好程度也会发生改变。因此可以在协同过滤算法中结合时间上下文信息,通过这种可以关联到特定时期和场景的方式来增加推荐的精准性,并反复的在Movie Lens-ml-100k数据集上对这一技术路线方法进行实验,最后通过对比融入时间上下文的协同过滤算法和传统的协同过滤算法,其前者的准确率有明显提升。

关键词：推荐系统协同过滤近邻模型上下文感知时间上下文信息

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于条件随机场的多时相遥感影像分类

基于条件随机场的多时相遥感影像分类

作者：汪光亚南京理工大学

学位级别：硕士

随着遥感技术的不断发展,遥感影像的空间、时间以及光谱分辨率不断提高,海量多时相遥感数据进一步积累,这为人们分析地物类别的时空行为提供了丰富的资源信息。综合使用遥感影像的空间和时间上下文信息提高地物分类精度成为了新的研究... 详细信息

随着遥感技术的不断发展,遥感影像的空间、时间以及光谱分辨率不断提高,海量多时相遥感数据进一步积累,这为人们分析地物类别的时空行为提供了丰富的资源信息。综合使用遥感影像的空间和时间上下文信息提高地物分类精度成为了新的研究热点。条件随机场（ConditionalRandomField,CRF）模型将图像视为一幅概率图,直接对类别标签的后验概率进行建模,通过学习和推断算法可以得到最优的分类结果。因此,本文使用CRF对多时相遥感影像进行时间上下文和空间上下文信息建模并用于地物分类,取得了较高的分类精度。本文的具体工作如下:1、研究了图像分类的常用方法及其在遥感影像分类上的最新应用。说明了 CRF模型的发展背景和基本理论框架,总结了 CRF模型的势能函数构造方法、学习算法和推断算法,并介绍了一些常用于图像分类的CRF模型的概率框架。2、提出了一种基于CRF模型的多时相遥感影像分类方法。多时相遥感影像分类方法通常使用人工设置的转移矩阵作为时间上下文信息,这样不仅难以获得准确的转移矩阵,而且没有充分利用时间上下文信息。针对多时相遥感影像中的时间与空间上下文信息难以构建的问题,本文方法对CRF模型进行了改进。首先运用最大期望算法生成用于描述时间上下文信息的时间势能,然后结合空间以及时间上下文信息构造了条件随机场模型,最后使用该模型对多时相遥感影像进行分类。一系列的实验结果表明,该方法可以有效提高遥感影像的分类准确率。3、提出了一种基于高阶CRF模型的多时相遥感影像分类方法。高阶势能可以增加CRF模型的区域约束和边界保持能力。针对高阶CRF模型中高阶势能的表示这一难点,本文使用超像素分割算法获得超像素,然后从超像素中提取高阶势能。实验结果说明高阶CRF模型可以提高遥感影像的分类精度。

关键词：遥感影像分类条件随机场多时相空间上下文信息时间上下文信息高阶势能

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时间上下文的改进协同过滤算法研究

基于时间上下文的改进协同过滤算法研究

作者：姚小娇广东工业大学

学位级别：硕士

推荐系统就是为人们的选择提供一定的参考,帮助用户发现对他们有价值的信息。它们已成为电子商务和信息访问的基础应用,有效的修剪大量信息空间,以便用户直接面向那些最能满足其需求和偏好的项目。协同过滤是构建推荐系统最流行的方法,... 详细信息

推荐系统就是为人们的选择提供一定的参考,帮助用户发现对他们有价值的信息。它们已成为电子商务和信息访问的基础应用,有效的修剪大量信息空间,以便用户直接面向那些最能满足其需求和偏好的项目。协同过滤是构建推荐系统最流行的方法,并已成功应用于许多应用中。在协同过滤中,分析用户过去的行为以建立用户与项目之间的联系,以基于其他用户的意见向目标用户推荐项目,只需分析用户的历史行为数据(例如评分),通常比其他推荐系统技术具有更好的性能。但是协同过滤面临着评分矩阵稀疏和冷启动的问题。针对以上问题,研究人员提出使用矩阵分解方法构建推荐系统。矩阵分解方法能够有效解决推荐系统中高度稀疏性问题,同时保证准确性。在推荐系统中,用户期望系统给出预测的理由,而不是给出“黑盒子”推荐。然而矩阵分解模型并不能很好的向用户解释推荐的理由,分解出来的用户和项目的每个维度无法用现实生活中的概念来解释,只能理解为潜在语义空间。本研究提出将user-user邻域模型和矩阵分解模型进行融合,并在融合模型中加入时间上下文。该模型可以用来解决user-user邻域模型中数据稀疏性敏感的问题和矩阵分解模型中不能用户解释推荐理由的问题,并且提高推荐系统的预测准确性,可以给用户提供良好的使用体验。本文的主要工作内容如下:1.对推荐系统的背景进行了研究,然后介绍了传统的推荐算法:基于内容的推荐算法,基于物品的协同过滤算法,基于用户的协同过滤算法,矩阵分解模型,深入研究了这些算法的原理,对这些算法进行了详细的说明。并对比这些算法的优缺点:协同过滤算法具有很好的推荐理由,可以提高用户的体验感受,超出提高准确度所能达到的水平,它的缺点是存在存在冷启动和数据稀疏性问题;矩阵分解模型具有高扩展性和准确性,可以缓解数据稀疏性的问题。但是矩阵分解算法并不知道如何向用户解释它的推荐理由。2.由于互联网使用量的快速增长,推荐项目更新的很快,导致item-item邻域模型很不稳定。因此本中将user-user模型和矩阵分解模型进行融合,用来缓解协同过滤算法中数据稀疏的问题和提高推荐的质量。并用实验验证了提出的模型的推荐准确度较传统的模型的推荐准确度要高。而且在movie Lens-100k数据稀疏性很高的情况下,也能很好的进行推荐。3.时间上下文无疑是最重要的上下文之一,用户偏好会随着时间而变化,物品的流行度也会随着时间变化。所以本文提出将时间上下文融入到改进的模型中可以提高推荐系统的准确度,并在Movie Lens数据集上进行了实验,与传统的推荐系统方法进行了对比,准确度有了显著提高。

关键词： user-user模型矩阵分解模型时间上下文信息数据稀疏准确度