检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

语言使用中的记忆负担最小化机制

日语学习与研究 2022年第1期 1-19页

作者：冯志伟黑龙江大学俄罗斯语言文学与文化研究中心

记忆负担最小化是语言使用中一个普遍性的原则。语言学家们早就观察到语言活动中记忆负担有限的规律,提出了语言的经济原则理论。本文根据语言研究的有关成果和文献,阐述在人类语言的语音、词汇、语法使用中和在自然语言处理的神经网络... 详细信息

记忆负担最小化是语言使用中一个普遍性的原则。语言学家们早就观察到语言活动中记忆负担有限的规律,提出了语言的经济原则理论。本文根据语言研究的有关成果和文献,阐述在人类语言的语音、词汇、语法使用中和在自然语言处理的神经网络应用中的这种记忆负担最小化的机制。

关键词：记忆负担最小化声源滤波器模型齐普夫定律生词增幅递减律句子深度长尾分布

基于离线高斯模型的输电线路无人机巡检缺陷智能识别方法研究

在线全文

学校读者我要写书评

暂无评论

电测与仪表 2022年第3期59卷 92-99页

作者：王红星陈玉权张欣吴媚毛伟平李红斌江苏方天电力技术有限公司南京210000 华中科技大学电子信息与通信学院武汉430074 华中科技大学电气与电子工程学院武汉430074

高压架空输电线路是沟通我国清洁能源中心与负荷中心的关键基础设施,保障其安全稳定运行对“双碳”目标按期达成至关重要。基于无人机巡检的电网输电线路缺陷检测具有很强的实用价值。由于缺陷种类众多,各类别分布不均衡而导致了长尾分... 详细信息

高压架空输电线路是沟通我国清洁能源中心与负荷中心的关键基础设施,保障其安全稳定运行对“双碳”目标按期达成至关重要。基于无人机巡检的电网输电线路缺陷检测具有很强的实用价值。由于缺陷种类众多,各类别分布不均衡而导致了长尾分布效应。文中介绍了一种基于离线高斯模型的缺陷检测方案,该方案通过离线高斯模型去增强Mask R-CNN中的分类器,从而提高分类器在“尾部”数据类别上的分类性能。其中离线高斯模型不需要额外训练,对数据分布具有鲁棒性。该方案简单有效且拓展性强,不需要额外的模型结构和超参数,可以直接在已有的检测、分割模型上使用,能够有效缓解数据类别长尾分布对分类器的影响。

关键词：碳中和长尾分布离线高斯模型目标检测

在线全文

学校读者我要写书评

暂无评论

面向不平衡样本的高校学生资助等级分类模型

中南民族大学学报（自然科学版） 2022年第1期41卷 101-108页

作者：郭佳君杨波朱剑林朱连淼余辉中南民族大学计算机科学学院武汉430074

在使用数据挖掘技术对高校学生助学金等级进行分类的过程中,存在数据样本不平衡的问题.针对该问题,对基于上下文信息的特征交互网络模型CFIN进行了改进,提出了长尾分布下的助学金等级分类模型LT-CFIN.为验证学生人格特征与经济状况之间... 详细信息

在使用数据挖掘技术对高校学生助学金等级进行分类的过程中,存在数据样本不平衡的问题.针对该问题,对基于上下文信息的特征交互网络模型CFIN进行了改进,提出了长尾分布下的助学金等级分类模型LT-CFIN.为验证学生人格特征与经济状况之间的相关性,丰富特征维度,依据大五人格理论和卡特尔16型人格理论(16PF)对学生的人格进行量化,使用学生校园卡数据集进行实验,对长尾分布下LT-CFIN模型的分类性能进行评估,整体数据集的AUC值达到98.28%,较其他对比模型提升了3.24%~4.81%,助学金3个等级的F1值分别达到了90.11%,92.60%,95.00%.实验结果表明:结合学生人格特征的LT-CFIN模型能解决数据不平衡的问题,并能有效提高分类的精准性.

关键词：助学金等级分类长尾分布人格量化

在线全文

学校读者我要写书评

暂无评论

基于深度学习的垃圾图像分类算法研究

基于深度学习的垃圾图像分类算法研究

作者：玄雪玲浙江师范大学

学位级别：硕士

随着城市化进程的不断推进,生态环境正在面临严峻的挑战,具体表现为城市生活垃圾产量剧增,垃圾厂饱和等现象。如何有效治理垃圾成为社会性话题。随着深度学习和人工智能应用到各行各业,采用智能化方法解决垃圾分类问题已经成为一种可能... 详细信息

随着城市化进程的不断推进,生态环境正在面临严峻的挑战,具体表现为城市生活垃圾产量剧增,垃圾厂饱和等现象。如何有效治理垃圾成为社会性话题。随着深度学习和人工智能应用到各行各业,采用智能化方法解决垃圾分类问题已经成为一种可能,采用深度学习方法识别垃圾图像并应用于实际生活也成为一个研究热点。深度学习中众多神经网络层出不穷,不同模型各有各的特点,部分模型存在参数量大,推理速度慢等缺点,所以,本文重点关注参数量较少的轻量化神经网络,扩充了开源的垃圾数据集,提出了两种轻量化模型解决不同的垃圾分类问题,并结合最终的研究成果,设计了垃圾图像分类小程序,给用户提供更方便的服务。本文的主要研究工作包括:(1)提出了基于卷积与自注意力机制相融合的轻量化神经网络模型。在MobileViT网络的基础上做出进一步的改进。为了降低模型的参数量,采用分层级联自注意力方法改进了全局表示模块,为了降低模型的计算量,采用深度卷积替换MobileViT Block中的标准卷积。最终得到MobileViT-A神经网络模型。该网络模型比基线模型的参数量降低了2M,计算量降低了200M,但是在自建垃圾数据集上的准确度与基线模型的准确度几乎一致,并且与其他轻量化模型相比,MobileViT-A的准确度更高,参数量更少。(2)提出了基于改进EfficientNet的长尾分布垃圾图像分类模型。构建了基于EfficientNet的特征提取网络,采用迁移学习的方法训练主干网络用来提取图像特征。为了进一步锁定关键特征信息,在主干网络之后引入一种新的注意力机制,该注意力机制能够关注不同通道,不同空间位置,不同尺度大小的特征。为了解决数据集中存在的长尾分布问题,本文采用Focal Loss损失函数进行分类训练,并通过各项评估指标证明了使用Focal Loss损失函数能够缓解长尾分布现象带来的问题。最终,在自建数据集上达到93.5%的准确度。(3)开发了基于深度学习的垃圾图像分类小程序。本文使用Flask框架和DCloud云数据库设计了垃圾图像分类小程序。该小程序允许用户拍照或上传垃圾图像,使用神经网络模型对图像进行分类预测,并将预测结果展示给用户。这将有助于人们更方便快速地了解垃圾种类,提高公共意识。

关键词：深度学习神经网络垃圾图像分类注意力机制长尾分布

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于置信度的可信图神经网络研究

基于置信度的可信图神经网络研究

作者：刘洪瑞北京邮电大学

学位级别：硕士

近几年来,随着深度学习技术的深入发展,适用于图这种特殊数据结构表示学习方法——图神经网络(Graph Neural Network,GNN)受到了广泛关注。实验表明,图神经网络已经在多种图相关的任务与场景中取得了卓越的成果,包括社交网络分析,交通... 详细信息

近几年来,随着深度学习技术的深入发展,适用于图这种特殊数据结构表示学习方法——图神经网络(Graph Neural Network,GNN)受到了广泛关注。实验表明,图神经网络已经在多种图相关的任务与场景中取得了卓越的成果,包括社交网络分析,交通流量预测,生物医药,推荐系统,计算机视觉等。尽管图神经网络预测性能卓越,但其预测结果是否可信仍有待探索,尤其是当图神经网络涉及到风险敏感场景时,模型的可信性成为一个更加迫切的需求。迄今为止,对可信性的定义仍未形成共识,但深度学习领域的诸多研究,如对模型的鲁棒性、可解释性、分布外泛化性等研究均被认为属于可信性的范畴。在此之中,有一种思想从置信度的角度出发,认为可信的模型应该具有恰当的自我认知能力,能够清楚其预测能力的边界,并通过可信的置信度表现出。换句话说,整体而言,可信模型应该能够对其正确的预测给出较高的置信度,对其错误的预测给出较低的置信度,即模型对预测结果的置信度与其预测准确率一致。先前的研究表明,许多神经网络对预测过于自信,即预测结果的平均置信度高于其平均预测准确率,其置信度是不可信的。然而,还未有研究基于置信度探究图神经网络的可信性,因此本研究旨在弥补该研究空白,从置信度出发,从多种角度探究图神经网络模型与基于图神经网络的学习方法的可信性。本研究首先探究了朴素图神经网络模型的置信度与其预测准确率是否一致,探究结果指出图神经网络模型的置信度是不可信的,这与对传统神经网络模型的实验结果一致。但是本研究额外发现,图神经网络预测结果的平均置信度低于其平均预测准确率,这说明图神经网络是欠自信的,这与传统神经网络模型表现截然相反。进而,本研究设计了拓扑感知的后处理置信度校正函数,以改进置信度的可信性。该校正函数以图卷积神经网络作为骨干模型,并融合了温度缩放方法,以保证置信度校正后图神经网络模型的预测性能不会发生改变,从而得到一种新颖的可信赖图神经网络模型CaGCN,最后本研究通过大量实验验证了 CaGCN在提升置信度可信性方面的有效性。受启发于对图神经网络的置信度不可信的发现,本研究继续探究了置信度在基于图神经网络的学习方法——图自训练学习中的可信性。探究结果表明在图自训练过程引入过多的高置信度伪标签节点并不会为模型带来太多性能增益,而且还会为数据集引入分布迁移问题,本研究因此得出图自训练学习中置信度是不可信的结论。基于此,本研究提出了新型的图自训练学习框架DR-GST,其基于信息增益的损失函数可以消除分布迁移的负面影响,并继续增加了损失修正策略以提升伪标签的正确率,最后本研究通过实验和理论证明了 DR-GST的合理性和有效性。此外,由于受到噪音和隐私保护的负面影响,可信的图神经网络模型并不一定能够获得可信的预测结果,因此本研究进而从置信度的角度出发探究如何提升图神经网络的输入——图数据的可信性。考虑到消息传递机制对图神经网络的决定性作用,本研究从图数据中对消息传递机制最有可能产生负面影响的因子,节点的度入手,探究在度呈现长尾分布的图中如何获得可信的图拓扑。本研究提出了置信度引导的可信拓扑生成方案TNTG,其能够在富含信息的头节点的指导下为信息较少的尾节点生成图拓扑。本研究最后证明了提出的TNTG在改进图神经网络在节点分类尤其是尾节点分类方面的有效性。

关键词：图神经网络可信性置信度自训练长尾分布

基于改进R-CNN的X-ray图像胸部异常检测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进R-CNN的X-ray图像胸部异常检测研究

作者：路淑贞吉林大学

学位级别：硕士

X-ray图像成像成本低,具有低辐射剂量,并对各种病理有着合理敏感性,因其高可用性,成为现代医学图像的“流量入口”。近年来,深度学习技术逐渐成为医学图像分析领域的自然选择,可以通过设计并实现不同的计算机视觉模型辅助解读医学图像,... 详细信息

X-ray图像成像成本低,具有低辐射剂量,并对各种病理有着合理敏感性,因其高可用性,成为现代医学图像的“流量入口”。近年来,深度学习技术逐渐成为医学图像分析领域的自然选择,可以通过设计并实现不同的计算机视觉模型辅助解读医学图像,为医生提供可靠的第二诊断意见。胸部X-ray图像作为最常用的放射学检查,是筛查、诊断各种心、肺部异常的核心辅助手段。利用深度学习技术辅助胸部X-ray图像的解读,尤其是准确检测出异常的类别和位置是一个具有重要研究价值的研究方向,但这种细粒度辅助诊断任务存在着一定的挑战性。一方面,由于X-ray图像的成像特点,图像中的异常区域和自然图像中的显著目标相比具有更少的判别性特征,使得检测模型准确区分不同的病理模式变得非常困难,如肺炎和胸腔积液都表现为X-ray图像的不透明性增加。另一方面,胸部X-ray图像中包含的异常往往尺度多变,且包含难检测的小目标,如肺结节。除此之外,不同类别的异常数据呈现出明显的长尾分布特点,给模型的多标签平衡训练增加了困难。针对以上三方面的问题,本文提出了有效的解决方法,主要研究内容如下:1、针对胸部X-ray图像中判别性特征提取困难的问题,设计了通道维注意力与空间维注意力引导的特征提取网络Aug-Res Ne St。其中,通道维注意力通过自适应重组不同通道的特征,实现了通道信息的有效交互,过滤了冗余特征而保留了重要特征。空间维注意力利用可变形卷积打破规则感受野的限制,灵活提取目标周围的上下文信息作为对通道维注意力的合理补充。通过在特征提取网络中使用双重注意力引导机制,有效提升了其对判别性特征的提取能力,从而将本文检测模型对14类异常的平均检测精度提高了1.7个百分点。2、针对胸部X-ray图像中异常尺度多变的问题,提出了使用增强特征金字塔结构Aug FPN作为特征融合网络。该结构通过提出残差特征增强、一致性监督和软性Ro I选择等模块解决了原始特征金字塔网络中存在的顶层特征信息损失、不同层特征语义差距大、多尺度特征利用不充分等关键性问题。实验证明该结构的引入有效改善了本文模型整体的检测性能,将模型对14类异常的平均检测精度从33%提升至34.1%。3、针对不同类别的异常数据呈现出长尾分布的特点,使用Seesaw Loss作为分类损失,它在常见的分类损失Cross Entropy Loss中引入了两个关键因子。在训练过程中动态减少了由长尾分布中的头部类别施加在尾部类别上过量的负样本梯度,达到了正负样本梯度相对平衡的效果,从而避免了因类别分布不均衡而产生的分类器学习偏向性问题。实验证明,采用Seesaw Loss作为分类损失可以有效提升并均衡模型对不同类别异常的检测性能,将本文模型性能提升了0.8个百分点。通过对以上三个关键性问题的解决,在Vinbigdata数据集上的实验表明,本文所提出的胸部X-ray图像多标签异常检测模型具有良好的表现,最终取得了36.2%的平均检测精度,超越了大多数现有的流行两阶段检测器。

关键词： X-ray图像胸部异常诊断多尺度目标长尾分布

基于深度学习的不平衡细粒度图像识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的不平衡细粒度图像识别方法研究

作者：江颖哲华中农业大学

学位级别：硕士

随着人工智能技术的发展,人们在日常生活中利用这种技术实现了对不同事物的辨识,然而在日常生活中往往也需要对目标下属子类别进行区分。因为缺乏对专家知识的了解,人们无法准确辨识目标下属子类别,仅通过传统图像识别方法也很难准确识... 详细信息

随着人工智能技术的发展,人们在日常生活中利用这种技术实现了对不同事物的辨识,然而在日常生活中往往也需要对目标下属子类别进行区分。因为缺乏对专家知识的了解,人们无法准确辨识目标下属子类别,仅通过传统图像识别方法也很难准确识别目标下属子类别,如何改善识别方法使其能准确识别目标下属子类已经成为计算机视觉领域的研究热点。传统图像识别方法旨在识别“猫”和“狗”这种从形态和样貌等方面易于区分的类别,与传统图像识别相比识别子类别（即细粒度图像识别）的难度在于子类别图像更精细,同时细粒度图像中类内区别大且类间区别小的特点会导致识别起来更具挑战性。对细粒度数据集的研究促使不同形式的细粒度图像识别方法被提出,这些方法分别从不同方面改善了模型对子类别的识别效果,但是对细粒度数据集及其识别方法的研究发现存在不平衡现象,这种不平衡会影响模型对细粒度数据集的识别性能。本文以葡萄数据集和公共数据集作为研究对象,基于深度学习相关知识,分别从数据集类别不平衡和检测方法不平衡两个角度分析并解决细粒度数据集及其识别方法存在的不平衡问题,主要研究内容和结果如下:（1）构造了葡萄长尾数据集（Vitis-15-LTs）:原葡萄数据集Vitis-15包含15个葡萄品种共6389张图像,本文基于Vitis-15构造了葡萄长尾数据集Vitis-15-LTs。通过回顾葡萄数据集Vitis-15的拍摄环境以及葡萄种植特点,发现不同品种葡萄的栽培范围因含糖量、抗病性、运输潜力和栽培难度等因素而有所不同,导致从自然场景收集到的葡萄数据集会出现长尾分布。为便于模拟并研究葡萄数据集出现的长尾分布问题,首先使用数据增强方法对原葡萄数据集Vitis-15进行扩增使其成为平衡数据集,并采用分层抽样来划分训练集和测试集,然后将头部类和尾部类训练样本数量比定义为不平衡因子,用来描述长尾问题的严重性,最后构造了不平衡因子分别为10,50和100的葡萄长尾数据集Vitis-15-LTs。（2）基于多专家分布感知网络的葡萄长尾图像识别:为解决葡萄数据集的长尾分布问题,本文采用多专家分布感知网络并将其与典型长尾图像识别方法进行性能比较。通过对典型长尾图像识别方法采用偏差和方差分析发现,这些方法一般通过增加模型方差来减小尾部偏差,但头尾偏差差距仍然很大,因此典型长尾图像识别方法并没有最大程度上减轻长尾分布对模型性能的影响。为保证在不增加模型方差的基础上减少尾部偏差,同时尽可能缩小头尾偏差差距,在葡萄长尾数据集Vitis-15-LTs上采用多专家分布感知网络,该网络主要包括多专家共享模块和分布感知多样性损失,首先通过多专家架构减少所有类的模型方差,然后利用专家共享模式降低多专家网络带来的内存消耗大和计算复杂性高的问题,最后分布感知多样性损失来减少尾部偏差,从而最大程度改善模型对长尾数据集的识别性能。在葡萄长尾数据集Vitis-15-LTs的实验结果表明,所采用的方法实现了更低的误判率和更稳定的准确率,在三个不平衡因子的葡萄长尾数据集上分别达到96.83%、93.67%和89.6%。（3）基于平衡式碎片学习的细粒度图像识别:通过研究公共数据集上的强监督细粒度图像识别方法,发现“定位-分类子网络”方法中所采用的检测方法存在不平衡,为改善受不平衡限制的检测器性能并提高模型对细粒度数据集的识别能力,本文提出平衡式碎片学习方法,并将所提出的方法与细粒度图像识别方法在多个公共数据集上进行性能比较。平衡式碎片学习方法在检测阶段采用三种平衡策略来改善受样本、特征和目标三个层次不平衡限制的检测性能,在分类阶段首先使用图像碎片化机制改变平衡检测图像的全局结构,然后通过随机排列组合图像块来确保网络能发现图像中具有判别性的局部区域,最后采用更鲁棒性的损失函数来改善模型对细粒度数据集的识别性能。在CUB-200-2011,Stanford Car和FGVC Aircraft三个不同类别的公共数据集上开展实验,结果表明所提出的方法优于当前典型的细粒度图像识别方法,测试准确率分别达到89.1%、95%和93.2%。

关键词：细粒度图像识别深度学习不平衡现象长尾分布多专家图像碎片机制

基于动漫领域用户需求的改进协同过滤推荐算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动漫领域用户需求的改进协同过滤推荐算法

作者：张婷玉厦门大学

学位级别：硕士

自互联网革命以来,伴随着经济的发展,作为文化产业中重要组成部分的动漫产业也逐渐进入大众视野。我国人口众多,文化需求也日益增高,未来动漫市场潜力广阔,具有良好的潜在经济效益。本文从动漫领域出发,立足于商业化技术中的推荐算法,... 详细信息

自互联网革命以来,伴随着经济的发展,作为文化产业中重要组成部分的动漫产业也逐渐进入大众视野。我国人口众多,文化需求也日益增高,未来动漫市场潜力广阔,具有良好的潜在经济效益。本文从动漫领域出发,立足于商业化技术中的推荐算法,分析总结动漫领域用户需求,结合现有研究存在的领域单一、忽视图像作用和伪马太效应问题,对两种基础的协同过滤算法分别进行了改进,得到本文提出的3sim-Item-CF算法和User-IIFN算法,并综合了两种算法,得到适用于动漫领域推荐的个性化综合推荐算法。在基于物品的协同过滤算法中,本文通过VGG16卷积神经网络加入了图像相似度,结合影视领域的标签属性,使用Jaccard相似系数得到标签相似度,通过选择加权因子获得加权相似度,融入更多物品信息,缓解了用户—物品矩阵的稀疏性,使用评分预测和RMSE与MAE指标,与关联算法进行对比;在基于用户的协同过滤算法中,本文考虑到动漫番剧上新的周期性和长短期动漫番剧的冷热门界定现状,在热门物品惩罚因子的基础上,加入了表示集平均评价人数的上新惩罚因子进行修正,使用TopN方式进行推荐,通过与关联算法进行精确度,召回率,覆盖度和新颖度上的指标对比,在缓解多剧集影视推荐系统存在的伪马太效应问题基础上,提高了推荐精度。最终对两种改进算法进行融合,先通过改进的基于物品的协同过滤算法填充用户—物品相似度矩阵,再通过改进的基于用户的协同过滤算法降低短期热门动漫的推荐权重,最后与非个性化推荐算法和传统协同过滤推荐算法进行对比并提出展望与不足。实证结果表明,两种算法的改进在对应的统计指标上,对比基准算法均有性能提升,提高了推荐算法的精度,适用于动漫网站的个性化推荐,同时对多剧集影视推荐算法的改进提供新思路。

关键词：协同过滤推荐算法卷积神经网络加权相似度上新惩罚因子长尾分布

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多特征增强和数据再平衡的无偏场景图生成

多特征增强和数据再平衡的无偏场景图生成

作者：张汝荟重庆师范大学

学位级别：硕士

场景图是一种可以清晰地表达对象及其之间关系的结构化表示。随着深度学习领域的快速发展,场景图生成方向的研究极大地促进了对视觉、自然语言等任务及其跨领域的理解,有效增强了对视觉场景的理解和推理能力。然而,在早期场景图生成模... 详细信息

场景图是一种可以清晰地表达对象及其之间关系的结构化表示。随着深度学习领域的快速发展,场景图生成方向的研究极大地促进了对视觉、自然语言等任务及其跨领域的理解,有效增强了对视觉场景的理解和推理能力。然而,在早期场景图生成模型预测出的关系中,常常会产生严重的偏颇,这是由于高度倾斜的长尾关系标注所造成的。长尾效应不仅在人工标注的数据集中存在,也存在于自然世界的关系中,所以只对人工标注的分布进行平衡无法从根本上解决该问题。无偏场景图生成旨在抑制长尾效应所造成的影响。然而,若为提高数据集中整体关系的召回率只将重点放于头部、中部关系,则会严重影响模型对尾部关系的判断;若只将模型重点放在尾部数据上,将会或多或少地影响整体关系召回率。本文针对无偏场景图中存在的上述问题进行研究,研究工作包括以下内容。(1)为了充分挖掘图片中的特征信息,设计了几何维度与语义维度增强模块。两个模块分别使用卷积神经网络,增强对几何特征与语义特征的提取,帮助模型对物体对之间关系进行预测。几何模块从相邻物体对之间的位置信息会相互影响的角度出发进行设计,可以提升数据集中整体关系的召回率;语义模块进一步处理嵌入词向量,可以增强语义信息的获取。(2)为了提高预测中部和尾部数据各自的召回率,分别针对中部数据和尾部数据设计了两个损失函数。通过对数据集中判断错误的中部或尾部关系进行惩罚,以提高预测的召回率。由于指标之间的冲突问题,这两个损失函数各有所长:针对尾部关系的损失函数更好地处理长尾分布问题;针对中部数据的损失函数反映在整体指标上的数据效果更佳。(3)为了改善公共数据集长尾分布严重失衡的问题,从训练集图片中对象对个数的角度出发设计出数据再平衡模块。该模块统计了训练集中每张图片中对象对个数,筛选出符合条件的训练集对模型进行训练,缓解数据集长尾效应。实验结果表明,上述模块对缓解数据集长尾效应有着一定的效果。并且上述设计独立于模型,可以添加在任意的基础模型及其改进模型上,具有一定的灵活性,对模型的进一步的创新与应用提供了便利。

关键词：深度学习无偏场景图生成长尾分布特征增强数据再平衡