检索结果-南通市图书馆

作者：黄泱柯湖南大学

学位级别：硕士

随着新冠疫情的迅速传播,人们出行必须要佩戴口罩。但已有的人脸识别系统无法精准识别佩戴口罩者身份,还需人们在系统前脱掉口罩方可识别身份,增加了感染风险和延误了识别速度。还有一些不法分子在作案时佩戴口罩,给破案增加了难度。因... 详细信息

随着新冠疫情的迅速传播,人们出行必须要佩戴口罩。但已有的人脸识别系统无法精准识别佩戴口罩者身份,还需人们在系统前脱掉口罩方可识别身份,增加了感染风险和延误了识别速度。还有一些不法分子在作案时佩戴口罩,给破案增加了难度。因此需要对现有人脸识别算法进行改进,充分利用人脸眼部以上的特征达到身份识别的目的。深度学习和数据共享为这一问题提供了解决途径。广义人脸识别包含数据获取,人脸检测,人脸关键点检测与对齐,人脸特征提取和人脸匹配这几个步骤。本文分别对这几个步骤进行研究,在基于现有算法的基础上进行改进。本文的主要研究内容包含以下几个部分:(1)获得人脸检测和人脸识别数据集。在继承现有公开数据集的基础上,通过网络爬虫的方法,从百度图片上得到佩戴口罩的人脸图像,并且进行信息标注,以扩充人脸检测数据集。对网络爬虫程序进行优化,通过内存共享和多线程的方式,提高程序运行速度。通过设计“模拟戴口罩”算法,扩充口罩人脸识别数据集。(2)针对人脸检测任务,探究了传统方法和深度学习方法的区别。在深度学习方法方面,探究了两种不同框架之间的性能,并且在原有框架的基础上,对网络结构,训练方法,损失函数,后处理还有先验框设置等方面进行改进,以得到更好的性能。通过多任务学习的方法,将人脸检测和人脸关键点提取任务集成在一个模型里。(3)分析了人脸对齐任务的必要性,并且通过仿射变换实现人脸对齐。(4)通过度量学习网络提取人脸特征,探究了不同损失函数的性能,并且对训练方法进行优化。在模型上添加空间注意力模块和设计有引导的注意力损失模块使得模型更多的学习人脸眼部以上特征,实现佩戴口罩也能识别身份。(5)使用Face Book开源的faiss相似性搜索数据库构建人脸特征数据库。实现人脸特征的相似度快速匹配。在原有Retinanet人脸检测模型的基础上,本文舍弃了两个生成先验框的有效特征层,并且减少了每个网格先验框种类的个数,使用轻量级网络替换了原来的特征提取网络,在精度只是略微下降的情况下速度提高了97%。在训练集有限的情况下,本文设计的口罩人脸识别系统实现了94%的识别准确率。

关键词：戴口罩人脸识别深度学习数据共享空间注意力机制 faiss

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

基于深度学习的FAQ问答系统设计与实现

基于深度学习的FAQ问答系统设计与实现

引用

作者：李苹华中科技大学

学位级别：硕士

近几年来,随着电商平台的兴起和客户的需要,服务提供商们都开始组建各自的客服团队,来对客户提出的问题做出答复。通常很多用户提出的问题都是类似的,这给客服团队带来了很多重复的工作,因此,将常见的问题和标准答案提前收集好,快速向... 详细信息

近几年来,随着电商平台的兴起和客户的需要,服务提供商们都开始组建各自的客服团队,来对客户提出的问题做出答复。通常很多用户提出的问题都是类似的,这给客服团队带来了很多重复的工作,因此,将常见的问题和标准答案提前收集好,快速向用户返回常见问题的答案,可以极大地减轻客服团队的工作强度,降低企业的人力成本。考虑到常见问题回答(Frequently Asked Question,FAQ)的数据集通常按照分层目录式的结构组织起来,即存在按照主题划分的特点,本课题使用BERT主题分类模型进行FAQ语义表示特征学习,将模型编码层中倒数第二层的输出向量作为FAQ文本的语义特征表示向量。本课题爬取了京东商城等多个平台的FAQ数据集并进行了对比实验,实验表明,BERT主题分类模型的语义表示特征学习效果比BM25算法、word2vec模型要好。为了加快问题-答案对查找的速率,使用faiss向量搜索引擎为FAQ问题-答案库构建索引,IVFPQ索引使用倒排文件系统和乘积量化技术加快向量检索的速度。通过向量检索得出与用户输入问题语义最相似的Top-K个问题-答案对,本课题还使用了BERT模型预测这K个答案作为用户输入问题下一句的概率,对K个答案进行Re-Rank,最终将最优答案返回给用户。在两个GTX TITAN X GPU环境上,对10000条数据集进行了索引构建与检索实验,从索引文件中检索向量只需要0.3秒左右。本课题设计并实现了一个基于深度学习和faiss向量搜索引擎的FAQ问答系统,包括语义特征提取、索引构建、语义检索、问题匹配和答案Re-Rank五个模块。通过将FAQ问题-答案库中的数据从1万条逐渐扩充到15万条,对系统进行了性能测试,结果表明,本课题实现的FAQ问答系统均能在1秒左右向用户返回答案。

关键词： FAQ 问答系统深度学习 faiss

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

基于深度嵌入模型的蛋白质组学质谱图增量聚类算法

基于深度嵌入模型的蛋白质组学质谱图增量聚类算法

引用

作者：张保国重庆邮电大学

学位级别：硕士

蛋白质组学是系统化研究蛋白质组成及功能的新兴学科,主要通过酶解、分离、蛋白质序列/谱图库搜索流程来完成对蛋白质进行定性及定量操作。在鸟枪法蛋白质组学实验中,通常会存在高度冗余谱图数据导致的重复搜索,以及候选库不能包含太多... 详细信息

蛋白质组学是系统化研究蛋白质组成及功能的新兴学科,主要通过酶解、分离、蛋白质序列/谱图库搜索流程来完成对蛋白质进行定性及定量操作。在鸟枪法蛋白质组学实验中,通常会存在高度冗余谱图数据导致的重复搜索,以及候选库不能包含太多种翻译后修饰导致许多谱图未能被鉴定的问题。谱图聚类算法可以较好地弥补这些缺陷:谱图聚类可以通过将冗余谱图进行聚类而去除冗余,减少搜库中的匹配计算;通过聚类簇对已有鉴定进行二次验证,以识别其中的错误鉴定;还可实现聚类簇中未鉴定谱图的新增鉴定、以及构建谱图库。现在谱图数据量与日俱增,然而现有的先进谱图聚类算法却没有考虑这一增量特征,新增数据后再次聚类时,往往从头开始,产生了大量的重复计算,导致效率低下;在进行后续的数据搜索时,由于其产出数据类型较多,无法快速对聚类后的谱图数据进行查找及搜索。针对上述不足,本文做了以下研究:1.研究一种基于深度嵌入模型的增量聚类模型——IGLEAMS(Increment LEArning based MS/MS Spectra);它基于先进的GLEAMS(Learned Embedding for Annotating Mass Spectra)深度嵌入模型,进行增量聚类:首先通过faiss库索引将新增数据和已有聚类库数据进行索引合并;然后采用局部搜索策略将新增数据在合并索引上进行K近邻搜索;再使用倒排筛选和单点插入的方法,将新增数据的聚类簇和已有聚类簇进行合并,实现簇的新增或合并;最后通过对谱图数据去除重复,完成增量聚类。实验结果表明,IGLEAMS在聚类时间性能上较之GLEAMS提升了40%左右的效率,聚类速度快;而在聚类结果上则保持了与GLEAMS的高度一致。2.设计了谱图数据关联模型,通过faiss库创建索引以实现数据之间关联:首先设计原始谱图数据、降维数据及聚类簇数据的存储模型;然后根据faiss创建索引的特性,设计不同类型数据之间的关联;最后将数据分别存储到数据库中,实现数据类型之间的快速查找。3.设计了可视化展示系统,基于Python和Flask框架,设计开发了IGLEAMS聚类模块、聚类结果展示模块和数据搜索模块,完成IGLEAMS聚类系统构建。

关键词：蛋白质组学质谱图深度嵌入模型增量聚类 faiss

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

基于深度学习语义匹配的通用智能问答系统的设计与实现

引用

安庆师范大学学报（自然科学版） 2024年第2期30卷 84-89页

作者：武凌黄淑芹陈劲松周健安徽财经大学管理科学与工程学院安徽蚌埠233030

FAQ问答系统有着广泛的实际应用场景,但传统问答系统的搭建通常需要将相关领域的知识转化为一系列的规则和知识图谱,且构建过程重度依赖人力,换个场景或用户都需要大量的重复劳动。针对上述问题并结合Bert模型和向量搜索引擎faiss,本文... 详细信息

FAQ问答系统有着广泛的实际应用场景,但传统问答系统的搭建通常需要将相关领域的知识转化为一系列的规则和知识图谱,且构建过程重度依赖人力,换个场景或用户都需要大量的重复劳动。针对上述问题并结合Bert模型和向量搜索引擎faiss,本文设计了一种基于深度学习语义匹配的FAQ问答系统的解决方案,介绍了系统的工作原理和设计流程,可以方便快速地搭建面向特定领域的问答系统,有效地减少了文本预处理的过程,实现了秒级的查询响应。系统测试发现,可以很好地对用户的查询进行语义匹配,并返回正确的答案,为构建各种问答系统提供了一种通用的解决思路。

关键词：深度学习 FAQ系统向量搜索语义匹配 Bert模型 faiss

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

一种基于RocketQA与ChatGLM模型的问答机器人系统研究与设计

引用

计算机科学与应用 2024年第11期14卷 21-27页

作者：宋丽萍王天与宋丽华孙虹飞北方工业大学信息学院北京

随着信息技术的快速发展,用户对高效获取精准信息的需求日益增长。此外,为了支持国产操作系统软件生态,文章基于Deepin操作系统,集成RocketQA和ChatGLM模型,设计并实现了一个智能文档问答系统。系统首先使用RocketQA模型将问题向量化,利... 详细信息

随着信息技术的快速发展,用户对高效获取精准信息的需求日益增长。此外,为了支持国产操作系统软件生态,文章基于Deepin操作系统,集成RocketQA和ChatGLM模型,设计并实现了一个智能文档问答系统。系统首先使用RocketQA模型将问题向量化,利用faiss进行检索和排序,然后由RocketQA模型二次搜索和排序,对结果进行增强,检索到的文档通过ChatGLM模型转化为自然语言答案,以“参考链接 + 答案”的格式呈现给用户。最后,在deepin wiki数据集上进行了广泛的测试,结果表明系统在问答准确性和响应速度方面均表现优异。With the rapid development of information technology, users’ demand for efficiently obtaining accurate information is growing. In addition, to support the ecosystem of domestic operating system software, this paper designs and implements an intelligent document question-answering system based on the Deepin operating system, integrating the RocketQA and ChatGLM models. The system first uses the RocketQA model to vectorize the question, utilizes faiss for retrieval and sorting, then uses the RocketQA model for a second search and sorting to enhance the results. The retrieved documents are converted into natural language answers by the ChatGLM model and presented to the user in the format of “reference link + answer”. Finally, extensive testing was conducted on the deepin wiki dataset, and the results show that the system performs excellently in both question-answering accuracy and response speed.

关键词：智能问答 RocketQA ChatGLM 自然语言处理 faiss Tornado框架 Deepin操作系统

来源：

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的面料检索系统

引用

计算机技术与发展 2023年第9期33卷 52-56页

作者：王彪毋涛西安工程大学计算机科学学院陕西西安710600

针对目前市场上纺织面料图像种类多、视觉特征复杂、数据量大的特点,为解决传统图像检索方法存在的检索速度慢、检索精度低的问题,提出一种基于深度学习的面料检索方法。该方法采用迁移学习,微调VGG16网络的结构,加入BN层提高模型的泛... 详细信息

针对目前市场上纺织面料图像种类多、视觉特征复杂、数据量大的特点,为解决传统图像检索方法存在的检索速度慢、检索精度低的问题,提出一种基于深度学习的面料检索方法。该方法采用迁移学习,微调VGG16网络的结构,加入BN层提高模型的泛化能力,调整FC层神经元的数量减少计算量。同时优化损失函数以约束模型学习相似或相同的面料的特征也相似。以纺织企业提供的面料为数据集训练模型,得到提取面料特征的网络模型。进行在线面料检索时,使用faiss向量检索工具,快速计算待检索的面料的特征与特征库的相似度,得到相似度top-k的检索结果。经过实验证明,在企业面料数据集上,该系统检索mAP可达到0.892,检索时间仅为0.012 s,均优于以往的算法,从而验证了其可行性。

关键词：迁移学习 VGG16 损失函数 faiss 面料检索

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

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

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

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：