客观题批改与主观题批阅痕迹识别的算法研究及系统实现
这是一篇关于无卡试卷,自动批改,深度学习,目标检测的论文, 主要内容为测验可用于形成教学结果闭环,是评估、提高教学效果的基础手段,测验结果也是错题本的数据来源。结合课程知识图谱对测验结果统计、分析、可视化是学情分析的基本方法,也是精准教学的基础。但精准教学需要高粒度的测验来完成教学反馈,人工批改则无法完成由此产生的大量试卷批改、统计工作。目前,答题卡自动化批改相对成熟,但普通无卡试卷尚缺乏快速有效的批改、统计工具。论文以初中、高中学生为研究对象,获取了大量日常练习中已经批改的各科试卷,针对主观题和客观题分别制作了对应的数据集。在客观题方面,提出融合空白试卷信息的方案,缩小了批改任务的检测范围,解决了目标检测模型对小目标检测效果差的问题。为了排除验算、作图等痕迹对选择作答选项的影响,借助答案与作答区域距离和目标准确率这两个参数,提出线性表达式法和多层感知机分类方法来选择答案,提升了答案识别的准确率。在主观题方面,以批阅痕迹作为目标,设计了以Swin Transformer为主干的不同目标检测网络,得到了Swin Transformer在作答痕迹检测中的效果,并与其他主干网络对比,对表现较好的Yolov4模型在FPN和上采样部分引入注意力机制进行优化。针对各目标比例相差较大的问题,以惩罚权重和SMOTE方式进行了优化,最后对分数目标内部的数字和正负号进行检测、分类,得到批阅的分数信息。为了验证自动批改方案的可行性,对模型进行了部署,并实现了试卷批改管理系统。实验结果表明,在客观题选项检测上,融合空白试卷信息得到作答区域的方案中,m AP50达到了99.94%,远好于识别作答区域等方案。使用MLP分类算法选择答案的准确率达到了99.22%,比直接选取最大准确率选项的方式提升了2.54%。主观题批改痕迹检测中,使用SENet、ECA和SMOTE优化后的模型准确率比基准模型提高了3.16%,达到98.68%。在系统实际测试中效果稳定,能够满足无卡试卷自动批改的需求。
基于生成式对抗网络的文本数据增强系统的设计与实现
这是一篇关于对抗生成网络,强化学习,文本生成,深度学习的论文, 主要内容为随着人工智能的高速发展,自然语言处理等计算机技术获得了极大关注,具有很强的研究潜力。文本生成在自然语言处理领域有着重要意义,高质量的文本对于对话系统、智能翻译、文学写作、知识图谱等与自然语言处理相关的任务具有重要影响作用。文本数据由于自身的离散性和语义结构自身的复杂性,容易出现文本训练数据样本数量少、质量差、样本缺失等难题。现有的文本生成技术的研究已经有了较大的进展,但是仍存在着一定的局限性。例如基于循环神经网络的方法通过对数据概率分布显式建模,利用最大似然估计进行训练优化,但是文本等复杂数据的概率近似计算复杂,并且对训练数据的概率分布过度依赖;基于卷积神经网络的方法由于参数共享特性使得需要优化的参数数目极大缩减,但网络学习单词之间长距离依赖关系的效果较差;基于生成对抗网络的方法采用判别器去度量映射分布的优劣,但是仍存在判别器回传给生成器的信号指导性不强,导致生成器训练方向不明确的问题。针对上述问题,本文提出了一种基于生成对抗网络模型的文本数据增强算法。首先,针对生成器训练中反馈指导信号不足,本文采用增加特征指导网络的方式进行改进,将从判别器提取的高阶文本特征经过转换送入生成器进行反馈指导;其次,针对文本生成过程中采样不充分、生成文本质量差的问题,本文制定相关文本语义规则,在生成时间步进行限制,提高文本生成质量。最后,本文在合成数据、COCO文本标注、中国古诗歌等数据集上进行文本生成对比实验,结果表明在各项指标上本文提出的基于生成对抗网络模型的文本数据增强算法表现优于其他对比模型。针对提出的基于生成式对抗网络的文本数据增强模型,本文采用python语言与TensorFlow框架构建和实现了适用于文本的数据增强系统,主要包括文本数据预处理模块、文本增强任务管理模块、文本数据增强模块和文本生成展示模块等。通过进行功能和性能测试,验证了本文所设计和实现的文本数据增强系统可以改善训练数据集样本少、数据质量差的问题,可有效支撑自然语言处理任务。
基于深度学习架构的婴幼儿表情识别方法研究
这是一篇关于婴幼儿表情识别,深度学习,注意力机制,表情数据集,人脸识别的论文, 主要内容为随着人工智能领域中深度学习算法的不断发展,基于深度学习的人脸表情识别算法相比较于传统人脸表情识别算法表现出的显著的优势。同时,0-3岁婴幼儿是身心发展的关键期,情感表达是他们交流和理解外界的主要方式之一,因此利用深度学习架构对婴幼儿不同表情所传递的信息进行准确识别,对促进婴幼儿身心发展、及时处理异常情况以及预防健康问题具有非常重要的意义。目前已有大量研究人员致力于人脸面部表情识别研究,公开的人脸表情数据集已有很多。相关研究发现婴幼儿与成人面部表情特征存在着显著差异,同时本文也经实验验证在成人表情数据占据绝大部分的公开人脸表情数据集上训练的模型婴幼儿表情的识别率远低于成人表情。此外,针对婴幼儿表情的公开数据集较少。针对以上问题,本文建立了一个婴幼儿的表情数据集,同时提出了无参数注意力模块(Parameter-free Attention Module,PFAM)以及Res Net改进模型来提升婴幼儿表情识别率,以便于更好地应用到实际场景中。本文的主要工作体现在以下三个方面:(1)为解决基于深度学习架构对婴幼儿表情识别方法的研究,制作了一个高质量的婴幼儿表情数据集。本文首先提出了一种自动婴幼儿表情数据集制作的方法,然后针对可能自动分类中可能存在错误分类的问题设计了一款婴幼儿图片数据集校对软件,保证数据集制作过程尽可能减少人工,同时确保数据集标签的真实性和有效性。(2)为提升婴幼儿表情识别率,本文基于Res Net网络架构,结合网络中的空间和通道两个方向,利用平均池化和最大池化,提出了一种无参数注意力模块PFAM。为了充分验证无参数注意力模块PFAM的有效性和适用性,基于自建的婴幼儿表情数据集和公开人脸表情数据集RAF-DB,融合PFAM的Res Net18以及Res Net34形成两种新网络与原始的Res Net18、Res Net34、Res Net50、Res Net101以及Res Net152进行了比对,并且与融合了注意力模块SE和CBAM的Res Net18和Res Net34进行了表情识别率的比对实验。实验结果表明,在婴幼儿表情数据集和RAF-DB数据集上,融合无参数注意力模块PFAM后在较少层数和参数的网络中能够取得与深层网络同等的效果,甚至优于深层网络表情识别性能,同时也优于融合了注意力模块SE和CBAM网络。(3)为了使婴幼儿表情的识别率能够更加精确,提出了多层卷积方法,并基于多层卷积和无参数注意力模块提出了一种Res Net改进模型的婴幼儿表情识别方法——多层卷积与无参数注意力模块融合网络(Multi-layer Convolution and Parameter-Free Attention Model,MLC-PFAM)。为了充分验证MLC-PFAM网络的有效性和适用性,在自建婴幼儿表情数据集及公开人脸表情数据集RAF-DB上,MLC-PFAM与原始的Res Net18、Res Net34、Res Net50、Res Net101以及Res Net152进行了比对,也与SE和CBAM进行了比对,同时也与无参数注意力网络PFAM进行了详细数据的比对。实验结果表明,在自建的婴幼儿表情数据集和公开人脸表情数据集上,加入多层卷积MLC-PFAM网络比未加入多层卷积的PFAM网络识别性能有一定的提升,同时MLC-PFAM18网络和MLC-PFAM34网络的识别性能均优于原始ResNet152网络。
基于深度学习的社区发现和影响力分析
这是一篇关于复杂网络,社区发现,深度学习,影响力分析的论文, 主要内容为随着互联网和移动网络的迅猛发展,社交网络也发展的如火如荼。同时社交网络中社区结构的识别对于网络的功能演化、拓扑结构的认识都有重要的意义。现今,社区发现的许多研究成果已成功应用于推荐系统、个性化产品推广、蛋白质功能预测和舆情分析等领域。但是随着网络规模的不断扩大,传统的社区发现方法在处理大规模网络时存在一些缺陷,计算代价也很高。特别是当使用经典聚类算法来处理高维特征数据时,传统社区发现方法的结果通常不够准确。本文使用深度学习方法对社交网络进行社区发现,并对得到的社区结构进行节点影响力分析,找到社区内部的关键节点。本文所作的工作总结如下:(1)本文提出了动态的node2vec算法(D-node2vec)和融合模块度的图卷积网络。本文将节点本身的属性特征融入了node2vec的随机游走过程中,使得在随机游走过程中综合考虑网络结构和节点的属性两方面特征,更能适应社交网络的网络结构,生成的网络表示也更准确。在图卷积网络中,本文将模块度的概念融入了拉普拉斯矩阵,在网络表示过程中对网络的社区结构进行学习。因为Dnode2vec算法只考虑了节点的局部随机游走,因此得到的表示更关注节点的局部特征,而融合模块度的图卷积网络更关注节点的全局特征,本文对其进行融合,得到了新的网络表示方法,实验发现,融合的方法使得网络表示的效果更好。(2)本文提出了融合全局和局部结构特征的社区分类模型,改进了胶囊图神经网络,将本文提出的网络表示学习方法引入,提高了社区分类的准确率。然后,本文在融合全局和局部结构特征的社区分类模型的基础上,将D-node2vec的随机路径引入,改进胶囊之间的连接方式,增加了低层胶囊与高层胶囊之间的局部连接,提出了一种新的基于分类的半监督社区发现模型,该模型可以进行社区分类任务,也可以进行社区发现任务。实验表明,在社区分类任务上该模型的准确率略高于融合全局和局部结构特征的社区分类模型,在社区发现任务上,该模型与传统的以及基于深度学习的方法相比都取得了较好的效果。(3)在进行社区划分后,本文使用Page Rank算法结合社区结构在社区内进行节点重要性排序,考虑节点的文本属性在节点影响力分析中的重要性,限制了重叠节点的重要性,提出了基于社区结构的Page Rank(S-Page Rank)算法。基于社区结构的Page Rank算法的复杂度相对Page Rank会降低,避免了Page Rank的主题漂移现象,且考虑了网络中的异常节点,优化了节点的影响力排序。
网络银行异常交易检测技术与应用研究
这是一篇关于异常交易检测,网络银行,特征提取,深度学习的论文, 主要内容为网络银行,是一种依靠互联网技术和信息技术构筑的在线电子交易系统,银行或其他金融机构能够通过该系统向、客户提供在线的金融服务。近年针对网络银行的高科技犯罪手段层出不穷,其中转账以及电子支付涉及到资金的流转,风险问题尤为突出。如何借助技术手段识别对针对转账以及电子支付等资金交易的犯罪行为,是银行等金融管理机构正面临的风险防控管理的难题。当前股份制商业银行等金融机构等风控管理模型,存在着时效性差、漏检率高等风险。其中异常交易检测等反欺诈技术是整个风控模型的重点。本文重点研究基于深度学习的银行交易反欺诈风控子模块,并对深度学习在银行交易异常交易检测方面的应用和调优。研究深度学习在银行交易数据特征提取方面的应用。本论文主要内容如下:1.提出了一种银行交易数据特征提取方法:特征提取对于提升模型的拟合效果尤为重要。传统特征提取方法采用欧氏距离进行样本点的相似度的度量,无法度量空间向量方向上的差异,本文提出一种使用余弦度量样本空间点之间的相似度的特征提取方法。2.提出了一种基于深度学习的银行交易数据异常检测模型:机器学习模型的神经网络由于采用梯度下降算法进行局部最优解求解,存在拟合速度慢等下,训练过程中容易出现梯度消失等问题。本文提出一种基于改良后的优化算法,在目标函数求解过程中采用动态学习率更新,用于解决随机梯度下降算法学习率恒定引起的效率问题。3.研发网络银行在线实时风控管理系统:基于机器学习模型实现网络银行异常交易检测,使用Spring Cloud微服务框架,解决单体应用横向扩展瓶颈。通过异步消息队列实现与智能风险管理系统进行对接。经系统测试与分析,达到预期效果。如何准确高效地检测异常交易是国内实时风控系统研究的共同目标,本论文研究传统方法异常交易检测的不足,提出相应机器学习算法的优化方法;借助深度学习实现银行交易实时反欺诈子系统,大大提升银行智能风险管理能力。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头网 ，原文地址：https://bishedaima.com/lunwen/45063.html
