检索结果-南通市图书馆

跨粒度子图对比学习与注意力融合的药物—基因关系预测

在线全文

学校读者我要写书评

暂无评论

太原理工大学学报 2025年第1期56卷 127-136页

作者：胡冬冬彭杨谭暑秋朱小飞重庆理工大学计算机科学与工程学院重庆

【目的】阐明药物和基因之间的相互联系是药物开发中的一个重要课题。目前,基于随机游走算法的图神经网络方法在解决药物与基因交互关系识别上已经取得了不错的效果,但是当前的方法,单一子图的方法往往容易忽略掉全局图的信息,不能够很... 详细信息

【目的】阐明药物和基因之间的相互联系是药物开发中的一个重要课题。目前,基于随机游走算法的图神经网络方法在解决药物与基因交互关系识别上已经取得了不错的效果,但是当前的方法,单一子图的方法往往容易忽略掉全局图的信息,不能够很好地聚合节点的信息,同时,药物和基因的节点表示采用简单的融合方式,不能够有效地利用节点表示的信息,用于交互关系的分类。针对上述问题提出了跨粒度对比学习与注意力融合的药物-基因交互关系预测方法。【方法】一方面采用跨粒度的对比学习方法,得到远距离和近距离的节点信息,同时采用对比学习的结构增加对药物和基因节点的区分。另一方面利用注意力融合机制,充分挖掘节点中隐含的信息,将远近距离信息进行注意力融合。【结果】在2个真实数据集上的实验结果表明该模型比基线模型具有更好的分类效果。

关键词：对比学习图表示学习关系图神经网络注意力机制基因-药物关系预测

同方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

融合注意力与多尺度特征的遥感图像配准

计算机工程与应用 2025年第3期61卷 275-285页

作者：倪力政陈颖李翔邓修涵马腾上海应用技术大学计算机科学与信息工程学院上海201418

针对遥感图像地理信息复杂多变、局部细节与上下文信息难以被充分提取,以及部分配准模型精度较低、用时较长等问题,提出了一种融合注意力与多阶尺度特征的配准模型,在特征提取阶段引入Transformer与逆残差结构结合的轻量级卷积网络,通... 详细信息

针对遥感图像地理信息复杂多变、局部细节与上下文信息难以被充分提取,以及部分配准模型精度较低、用时较长等问题,提出了一种融合注意力与多阶尺度特征的配准模型,在特征提取阶段引入Transformer与逆残差结构结合的轻量级卷积网络,通过嵌入混合注意力块加深对通道空间信息的关注,进一步地,为了更有效地捕获上下文特征信息,使用增强注意力的多尺度扩张卷积模块进行深层次过滤提取,以获取更精细和丰富的特征语义图。在匹配阶段采用互相关最优加权的双向匹配方法,计算密集对应关系得到双向参数,并通过参数回归网络加权合成最终变换参数,仿射变换完成图像配准。实验结果表明,关键点正确估计的比例系数为0.03、0.05和0.1的情况下,在三个数据集上的配准精度达到61.9%、86.2%、93.6%,而平均配准时间仅为1.05 s,证明了该模型有效提升遥感图像配准的精度和效率。

关键词：遥感图像配准上下文特征增强注意力双向匹配

不确定性域感知网络在少样本跨域图像分类中的研究

在线全文

学校读者我要写书评

暂无评论

中国图象图形学报 2025年第2期30卷 518-532页

作者：余悦陈楠成科扬江苏大学计算机科学与通信工程学院镇江212013

目的跨域少样本学习的主要挑战在于,很难将源域的知识推广到未知的目标域中。最近的一些少样本学习模型试图通过在元训练过程中诱导图像多样化来解决这一问题。然而,其中一些模拟未知领域任务的方法效果有限,因为它们不能有效地模拟领... 详细信息

目的跨域少样本学习的主要挑战在于,很难将源域的知识推广到未知的目标域中。最近的一些少样本学习模型试图通过在元训练过程中诱导图像多样化来解决这一问题。然而,其中一些模拟未知领域任务的方法效果有限,因为它们不能有效地模拟领域偏移,其生成的内容变化范围狭窄,难以从域偏移中学习到有效的域不变知识。为了提升少样本模型的跨域泛化能力,提出了一个基于不确定性增强的域感知网络(uncertainty enhancement based domain-aware network,UEDA)。方法基于不确定性增强的域感知框架从特征通道视角探索和提取其中可用于缓解领域偏移的关键知识。首先提出一个不确定性特征增强方法,将特征的充分统计定值定义为服从高斯分布的概率表示,以源域充分统计量为分布中心建模不确定性分布。随后,从不确定性分布中生成有别于加性扰动的挑战性特征,从而挖掘不同域之间的共性知识;其次,提出了基于不确定性增强的域感知方法,将源特征和生成特征视为来自不同领域的信息,利用域鉴别器计算特征通道与领域信息的相关性,从而帮助模型挖掘领域之间的潜在关联并鉴别出其中的域因果信息用于学习。结果实验使用Mini-ImageNet、CUB(caltech-ucsd birds)、Plantae、EuroSAT(land use and land cover classification with sentinel-2)和Cropdiseases共5个数据集评估所提出方法的跨域泛化表现。实验遵从纯源域泛化,其中在图神经网络(graph neural network,GNN)分类框架下,以Mini-ImageNet数据集作为源域,模型在后4个目标域的1-shot和5-shot设置下其平均精度分别为59.50%、47.48%、79.04%和75.08%,表明了所提出方法能有效提高基于源域的跨域图像分类能力。结论本文所提出的基于不确定性增强的域感知网络框架使得模型在训练阶段适应各种域偏移,并从中学习到有效的可泛化知识,从而提高在少样本条件下的跨域图像分类能力。

关键词：图像分类跨域少样本图像分类少样本学习(FSL) 域泛化深度学习

改进的YOLOv8n轻量化景区行人检测方法研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2025年第2期61卷 84-96页

作者：张小艳王苗西安科技大学计算机科学与技术学院西安710600

针对景区人流量大、人员密集,而现有目标检测算法对于遮挡目标和小目标检测效率低且模型参数量大等问题,提出基于YOLOv8n的轻量化景区行人检测算法SSC-YOLOv8n。提出空间和通道重建注意力卷积SCC2fEMA模块,以显著减少模型参数量,从而提... 详细信息

针对景区人流量大、人员密集,而现有目标检测算法对于遮挡目标和小目标检测效率低且模型参数量大等问题,提出基于YOLOv8n的轻量化景区行人检测算法SSC-YOLOv8n。提出空间和通道重建注意力卷积SCC2fEMA模块,以显著减少模型参数量,从而提升模型的检测速度。采用精细的slim-neck范式,通过GSConv和V0V-GSCSP模块,在有效降低模型参数量的同时,提升模型的学习能力。提出坐标注意力动态解耦头,以显著增强模型对位置信息的感知度和敏感度。为了对样本进行更为精确的平衡处理,引入Focal Loss损失函数,进一步提高模型的检测精度与鲁棒性。实验结果表明,在景区行人数据集上,改进后的模型相较于原始模型,模型参数量减小了52%,mAP@0.5提升了2.1个百分点,mAP@0.5:0.95提升了1.4个百分点。在VisDrone2019数据集上,mAP@0.5提高了3.9个百分点。改进后的算法具有更强的泛化性能,能够更好地适用于景区行人检测任务。

关键词：行人检测轻量化 YOLOv8 Focal Loss 注意力机制

在线全文

学校读者我要写书评

暂无评论

基于变分量子电路的量子机器学习算法综述

计算机研究与发展 2025年

作者：于瑞祺张鑫云任爽北京交通大学计算机科学与技术学院

随着数据规模的增加，机器学习的重要性与影响力随之增大.借助量子力学的原理能够实现量子计算，结合量子计算和机器学习形成的量子机器学习算法对经典机器学习算法理论上能够产生指数级的加速优势.部分经典算法的量子版本已经被提出，... 详细信息

随着数据规模的增加，机器学习的重要性与影响力随之增大.借助量子力学的原理能够实现量子计算，结合量子计算和机器学习形成的量子机器学习算法对经典机器学习算法理论上能够产生指数级的加速优势.部分经典算法的量子版本已经被提出，有望解决使用经典计算机难以解决的问题.当前受量子计算硬件所限，可操控的量子比特数目和噪声等因素制约着量子计算机的发展.短期内量子计算硬件难以达到通用量子计算机需要的程度，当前研究重点是能够在中等规模含噪声量子（noisy intermediate-scale quantum，NISQ）计算设备上运行的算法.变分量子算法是一种混合量子-经典算法，适合应用于当前量子计算设备，是量子机器学习领域的研究热点之一.变分量子电路是一种参数化量子电路，变分量子算法利用其完成量子机器学习任务.变分量子电路也被称为拟设或量子神经网络.变分量子算法框架主要由5个步骤组成：1）根据任务设计损失函数和量子电路结构；2）将经典数据预处理后编码到量子态上，量子数据可以省略编码；3）计算损失函数；4）测量和后处理；5）经优化器优化参数.在此背景下，综述了量子计算基础理论与变分量子算法的基础框架，详细介绍了变分量子算法在量子机器学习领域的应用及进展，分别对量子有监督学习、量子无监督学习、量子半监督学习、量子强化学习以及量子电路结构搜索相关模型进行了介绍与对比，对相关数据集及相关模拟平台进行了简要介绍和汇总，最后提出了基于变分量子电路量子机器学习算法所面临的挑战及今后的研究趋势.

关键词：量子计算量子机器学习变分量子算法量子神经网络量子深度学习量子强化学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于集成学习的不平衡图节点分类算法

电子科技大学学报 2025年

作者：赵华健杨钦程胡兆龙浙江师范大学计算机科学与技术学院

图神经网络（graph neural network, GNN）在过去几年里被广泛应用于节点分类。然而，现有研究集中于平衡数据集，但是不平衡数据却普遍存在。传统处理不平衡数据集的方法，如重采样和重加权，往往需要进行较多的预处理或提出新的网络... 详细信息

图神经网络（graph neural network, GNN）在过去几年里被广泛应用于节点分类。然而，现有研究集中于平衡数据集，但是不平衡数据却普遍存在。传统处理不平衡数据集的方法，如重采样和重加权，往往需要进行较多的预处理或提出新的网络结构，容易引入新的偏差和导致信息丢失。提出了一种改良的装袋（Bootstrap aggregating,Bagging）集成学习方法，对不平衡图数据集进行了k折划分，并采用GNN为基础模型对子数据集进行训练得到多个不同的子模型。最后，通过融合不同模型提升了节点分类精度而不引入过多的预处理。基于不平衡图数据集的实验结果，表明所提出的方法在准确性和鲁棒性上优于基本分类器，此外，还发现分类精度随着k的增加先提高后降低。

关键词：图神经网络节点分类图网络结构不平衡图数据集集成学习

面向新工科的“数据挖掘”课程创新体系探索与实践

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

高等工程教育研究 2025年第1期 68-74页

作者：冯林李子豪韩鸿宇李晓宁四川师范大学计算机科学学院

针对大数据、人工智能、数字经济等新质生产力对数据挖掘人才的需求,建立了以“知识&应用创新能力&素质(Knowledge&application Innovation Abilities&Qualities, KIAQ)”为核心价值的“数据挖掘”课程体系,形成了具有新工科特点的“数... 详细信息

针对大数据、人工智能、数字经济等新质生产力对数据挖掘人才的需求,建立了以“知识&应用创新能力&素质(Knowledge&application Innovation Abilities&Qualities, KIAQ)”为核心价值的“数据挖掘”课程体系,形成了具有新工科特点的“数据挖掘”知识结构。多年的课程实施结果表明,新的课程创新体系较好地解决了传统教学方法存在的问题,有效实现了课程目标。

关键词：新工科数据挖掘创新能力教学改革实践教学

基于梯度频率多阶段引导的深度图超分辨率方法

在线全文

学校读者我要写书评

暂无评论

计算机工程 2025年

作者：蔡江河陈飞姜凡程航王美清福州大学计算机与大数据学院北不列颠哥伦比亚大学计算机科学系福州大学数学与统计学院

颜色图像引导的深度图超分辨率(GDSR)旨在利用同一场景下高分辨率(HR)彩色图像提供的引导信息，将低分辨率(LR)深度图重建为高分辨率深度图。尽管基于空间域的学习方法可以有效提高深度图的整体重建质量，但在从低分辨率深度图进行重建... 详细信息

颜色图像引导的深度图超分辨率(GDSR)旨在利用同一场景下高分辨率(HR)彩色图像提供的引导信息，将低分辨率(LR)深度图重建为高分辨率深度图。尽管基于空间域的学习方法可以有效提高深度图的整体重建质量，但在从低分辨率深度图进行重建时，仍然面临“边缘结构模糊”的问题。为了解决该问题，提出了梯度频率引导多阶段整合的深度图重建网络（GFNet），利用颜色图像的梯度先验和频率信息来增强深度边缘结构细节的重建。首先，设计了一个梯度特征提取模块，结合了RGB图像的梯度先验知识来优化LR深度图的梯度结构。其次，设计了一个空间频率双路引导模块，将RGB图像中精确的高频成分传递到LR深度图中，从而引导深度图丢失的高频信息重建。最后，采用一种新颖的隐式神经函数来提高深度图的分辨率。实验结果表明，在8倍缩放因子的情况下，GFNet在数据集NYUv2、Middlebury以及真实场景数据集RGB-D-D上RMSE指标分别达到了2.48cm、1.62cm、2.57cm，相比于结构更复杂的模型GeoDSR，分别提升了0.14cm、0.06cm、 0.12cm，并在边缘结构细节方面优于对比方法，证明了GFNet模型的有效性。

关键词：深度图超分辨率边缘结构梯度特征频率引导隐式神经函数

基于改进的YOLOv5s小目标船舶遥感图像检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

科学技术与工程 2025年第2期25卷 657-666页

作者：李志昂肖小玲周绍发长江大学计算机科学学院荆州434023

遥感图像中船舶目标具有多尺度特性、背景多变及气象复杂等特点,导致小目标船舶检测存在精度低,出现误检,漏检等情况。针对上述情况,提出了一种基于YOLOv5s的小目标船舶检测改进模型。首先,为解决船舶检测中尺度变化和背景多变问题,引... 详细信息

遥感图像中船舶目标具有多尺度特性、背景多变及气象复杂等特点,导致小目标船舶检测存在精度低,出现误检,漏检等情况。针对上述情况,提出了一种基于YOLOv5s的小目标船舶检测改进模型。首先,为解决船舶检测中尺度变化和背景多变问题,引入了适应空间特征融合(adaptive structure feature fusion,ASFF)模块,其次,为减少检测网络的计算量和参数量引入了BoTNet注意力机制,然后为提升网络整体的检测精确度,使用了EIoU边框损失函数,最后为保证网络整体的轻量化引入了Slim-neck颈部网络。实验显示,在主要数据集LEVIR-Ship上,相较于基准YOLOv5s,mAP@0.5提升了7.1%达到了81.3%,参数量降低了0.44 M,计算量降低了0.6GFLOPs,权重降低了0.9 M。本文方法在各项关键指标中表现更为优秀,实现了复杂环境下高精度的小目标船舶检测。在验证数据集McShips上进行对比实验。实验表明,本文方法依然表现更为优秀,验证了所提方法具有普适性。

关键词：船舶检测 YOLOv5s 小目标检测 BoTNet注意力机制