检索结果-南通市图书馆

作者：陈谢浙江师范大学

学位级别：硕士

视觉目标跟踪一直是计算机视觉领域中最热门的研究课题之一。其主要任务就是在给定的视频序列中,逐帧预测目标的位置及其大小,为更高层次的视频分析和语义理解提供重要基础。虽然目标跟踪已经取得了较大的发展,但由于现实场景中存在如... 详细信息

视觉目标跟踪一直是计算机视觉领域中最热门的研究课题之一。其主要任务就是在给定的视频序列中,逐帧预测目标的位置及其大小,为更高层次的视频分析和语义理解提供重要基础。虽然目标跟踪已经取得了较大的发展,但由于现实场景中存在如光照变化、遮挡、形变、快速运动、相似物干扰和背景杂波等复杂的干扰性因素,实现准确且鲁棒的目标跟踪仍然是一个具有挑战性的任务。近年来,随着深度学习的快速发展,各种各样的目标跟踪框架相继提出,并不断得到改进与优化。由于优越的跟踪速度,基于深度回归网络的视觉目标跟踪算法引起了广泛的关注。与当前流行的联合分类-回归任务的跟踪模型相比,基于深度回归的目标跟踪模型利用回归网络直接估计目标的位置与大小,而不需要其它的后处理操作,提高了模型的跟踪速度。但现有的基于深度回归的目标跟踪算法仍存在一些不足之处,如性能与速度之间的不平衡,模型的目标感知能力不足等。因此,基于对现有的视觉目标跟踪算法的分析与研究,针对上述问题开展了以下研究工作:(1)提出了基于图注意力的深度回归目标跟踪模型针对基于深度回归跟踪的经典模型中缺少特征融合且模型目标感知能力不足的问题,提出了一种利用图注意力的深度回归目标跟踪模型。该方法首先研究了不同深度的主干网络对于跟踪性能和速度的影响。然后,为了提高模型的目标感知能力,使用图注意力建立相邻两帧中部分与部分的对应关系,计算模板节点与搜索区域节点的相似性,并将有效的目标信息从模板特征传递到搜索区域特征。在有限的速度损失下,显著提高了基准模型的精确性与鲁棒性。最后,将提出的模型在目标跟踪基准数据集上进行评估,结果表明,所提出的模型显著提高了基准模型的跟踪性能。(2)提出了基于Transformer编码器的深度回归目标跟踪模型针对基于Transformer的目标跟踪算法,研究其Transformer结构中编码器模块和解码器模块对跟踪算法性能的贡献,并提出仅利用编码器的深度回归目标跟踪模型。首先使用快速傅里叶变换分别替代编码器模块和解码器模块中的多头自注意力机制来捕获上下文信息,研究编码器模块和解码器模块中多头自注意力对跟踪性能的影响。其次,为了降低模型复杂性,提出使用编码器对模板特征和搜索区域特征联合进行特征增强以及注意力计算,同时提高两组特征的鲁棒性。最后,将提出的模型在目标跟踪基准数据集上进行实验,并与多个跟踪算法进行比较,结果表明,该模型的性能具有较大的竞争力。

关键词：目标跟踪深度回归网络注意力 Transformer 特征融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度回归网络的目标跟踪算法研究

基于深度回归网络的目标跟踪算法研究

引用

作者：陈胡欣南京信息工程大学

学位级别：硕士

近年来,目标跟踪已经成为计算机视觉领域的热门课题之一,可广泛应用于无人机、视频监控、人机交互等许多实际系统中。目标跟踪算法的任务是利用给定的初始帧来预测后续帧的目标位置和大小。尽管在过去十几年里,人们研究了许多优秀的目... 详细信息

近年来,目标跟踪已经成为计算机视觉领域的热门课题之一,可广泛应用于无人机、视频监控、人机交互等许多实际系统中。目标跟踪算法的任务是利用给定的初始帧来预测后续帧的目标位置和大小。尽管在过去十几年里,人们研究了许多优秀的目标跟踪算法,但是由于有限的训练样本和视频挑战因素的存在,使得目标跟踪仍是尚未解决的难题。本论文在深度学习算法的基础上,针对目前跟踪算法存在的问题,提出两种新的适用于目标跟踪的算法。论文的主要研究内容如下:针对现有相关滤波算法无法从端到端的训练中获益,以及深度学习算法通过单个或少量样本在线训练深度网络具有挑战性等问题,提出一种基于时间和空间网络的深度集成目标跟踪算法。该算法主要包括四个方面:特征提取、深度回归网络、分支网络和自适应集成学习。采用卷积神经网络进行特征提取以获得图像信息。深度回归网络将特征提取和相关滤波算法集成到卷积神经网络中进行端到端训练。分支网络由时间网络和空间网络构成,其中时间和空间网络分别捕获目标的时间和空间信息,并进一步细化目标位置。自适应集成学习弥补了目标信息的不足,提高了跟踪精度。跟踪基准数据集上的实验结果表明,该算法与先进的跟踪算法相比具有良好的性能。针对上述算法复杂的模型结构和大量可训练的参数,以及以往回归模型跟踪算法无法在精度和速度之间找到平衡点等问题,提出一种基于多核卷积聚合的深度回归目标跟踪算法。该算法仅有三个卷积层构成,其中引入了一个多核卷积聚合层用以回归输出,该层利用多个并行的卷积核来捕获多区域的目标信息,以提高算法的整体性能。在此基础上,本文还提出一种用线性插值法来确定目标大小的尺度估计方法,该方法通过融入前一帧估计的目标大小,使得当前帧的预测值更加平滑。大规模跟踪基准数据集上的实验结果表明,该算法的性能优于最先进的跟踪算法,且实现快速跟踪。

关键词：目标跟踪深度回归网络时间和空间网络自适应集成学习多核卷积聚合层

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种跨区域跨评分协同过滤推荐算法

引用

计算机研究与发展 2024年

作者：于旭彭庆龙詹定佳杜军威刘金环林俊宇巩敦卫张子迎于婕符号计算与知识工程教育部重点实验室(吉林大学) 嘉应学院计算机学院中国矿业大学信息与控制工程学院中国科学院信息工程研究所中国石油大学(华东)计算机科学与技术学院青岛科技大学信息科学技术学院

传统跨评分协同过滤范式忽视了目标域中评分密度对用户和项目隐向量精度的影响，导致评分稀疏区域评分预测不够准确.为克服区域评分密度对评分预测的影响，基于迁移学习思想提出一种跨区域跨评分协同过滤推荐算法，相对于传统跨评分协... 详细信息

传统跨评分协同过滤范式忽视了目标域中评分密度对用户和项目隐向量精度的影响，导致评分稀疏区域评分预测不够准确.为克服区域评分密度对评分预测的影响，基于迁移学习思想提出一种跨区域跨评分协同过滤推荐算法，相对于传统跨评分协同过滤范式，该算法不仅能有效挖掘辅助域重要知识，而且可以挖掘目标域中评分密集区域的重要知识，可以进一步提升目标域整体，尤其是评分稀疏区域的评分预测精度.首先，针对用户和项目，分别进行活跃用户和非活跃用户、热门项目和非热门项目的划分.利用图卷积矩阵补全算法提取目标域活跃用户和热门项目、辅助域中全体用户和项目的隐向量.其次，对活跃用户和热门项目分别构建基于自教学习的深度回归网络学习目标域和辅助域中隐向量的映射关系.然后，将映射关系泛化到全局，利用非活跃用户和非热门项目在辅助域上相对较准确的隐向量推导其目标域上的隐向量，依次实现了跨区域映射关系迁移和跨评分的隐向量信息迁移.最后，以求得的非活跃用户和非热门项目在目标域上的隐向量为约束，提出受限图卷积矩阵补全模型，并给出相应推荐结果.在MovieLens和Netflix数据集上的仿真实验显示CRCRCF算法较其他最先进算法具有明显优势.

关键词：协同过滤跨区域跨评分推荐图卷积矩阵补全自教学习深度回归网络受限图卷积矩阵补全

来源：

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

基于深度学习的体系作战效能智能评估及优化

引用

系统仿真学报 2020年第8期32卷 1425-1435页

作者：李妮李玉红龚光红黄晓冬北京航空航天大学自动化科学与电气工程学院北京100191 海军航空大学山东烟台264001

采用仿真模拟评估方法进行体系作战效能评估包括配置想定、多次运行仿真系统和调用效能评估模型计算多个复杂步骤。针对此流程复杂、耗时长的问题,提出一种基于深度学习回归思想的体系作战效能智能评估方法,引入基于进化策略的作战效能... 详细信息

采用仿真模拟评估方法进行体系作战效能评估包括配置想定、多次运行仿真系统和调用效能评估模型计算多个复杂步骤。针对此流程复杂、耗时长的问题,提出一种基于深度学习回归思想的体系作战效能智能评估方法,引入基于进化策略的作战效能优化流程。以全连接深度回归网络为预测模型,通过多个数据集的试验结果给出网络隐层数和样本量选择的指导原则。进一步结合遗传算法调整网络输入得到优化输出,迭代性能较好。以某仿真系统为例初步验证了其有效性和使用价值。

关键词：武器装备体系作战效能智能评估作战效能智能优化回归预测深度回归网络

来源：

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

复杂环境下的鲁棒语音识别技术研究

复杂环境下的鲁棒语音识别技术研究

引用

作者：郭天学华中师范大学

学位级别：硕士

语音交互是重要的自然人机交互方式之一,这种交互方式更加接近人与人之间的交互,在人们的生活、工作、学习、娱乐等领域应用越来越广泛。但是语音信号对于环境较为敏感,而夹杂了各式各样噪声的现实环境是复杂多样的,这使得语音识别的性... 详细信息

语音交互是重要的自然人机交互方式之一,这种交互方式更加接近人与人之间的交互,在人们的生活、工作、学习、娱乐等领域应用越来越广泛。但是语音信号对于环境较为敏感,而夹杂了各式各样噪声的现实环境是复杂多样的,这使得语音识别的性能下降。因此,鲁棒语音识别技术对于语音交互系统在复杂环境下的现实应用具有重要的意义,提升说话人语音内容的识别率是鲁棒语音识别技术的重点研究方向。针对语音识别在复杂环境下的鲁棒性问题,基于语音识别的语音信号处理、特征提取和模型匹配三个阶段,本论文在前人的基础上对鲁棒语音识别技术进行了探究,构建探索了几种鲁棒语音识别算法,并在对话系统中对其进行了验证。本文的主要工作如下:首先,梳理分析了鲁棒语音识别技术的发展现状,对鲁棒语音识别技术进行分类,从语音信号、特征和模型三个方面分析了鲁棒语音识别技术,总结出基于线性映射假设和基于非线性映射假设两类鲁棒语音识别技术。在基于线性映射假设的鲁棒语音识别技术方面,提出了一种估计映射参数的特征映射鲁棒语音识别算法。该算法采用最大似然估计,通过估计映射特征和训练特征GMM之间的最大似然,来确定增益矩阵和偏移矩阵从而得到新的映射特征。通过该方法引申出特征映射鲁棒语音识别算法的一般公式,该公式将上述方法中的增益矩阵和偏移矩阵抽象为一个参数矩阵W,通过对参数矩阵W的估计即可对特征进行映射。实验结果表明,该算法对于识别率的提升具有显著作用。在深入分析KL散度特征映射鲁棒语音识别算法的基础上,通过改进提出了一种基于巴氏距离的特征映射鲁棒语音识别算法,该算法引入一个先验信息对待测特征建立GMM模型,并通过最小化其与训练特征GMM模型之间的巴氏距离来估计参数W。实验证明,该算法是一种可增强语音鲁棒性的方法。在基于非线性映射假设的鲁棒语音识别技术方面,探究了基于深度回归网络的鲁棒语音识别技术,分析了其基本框架,通过分别输入复杂语音特征和干净特征,将深度网络作为一个回归模型,自动学习两个特征之间的复杂关系,并对复杂特征进行重构得到近似干净的特征。另外,设计开发了一个结合本论文研究内容且用于复杂环境的语音对话系统。运行结果表明,系统能有效提升语音识别率,使语音交互能够友好进行。最后,对论文研究工作进行了总结,提出了不足和需要进一步研究的工作。

关键词：语音交互鲁棒语音识别特征映射 KL散度巴氏距离深度回归网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：