服装知识图谱构建及嵌入研究
这是一篇关于服装知识图谱,知识图谱嵌入,Inception,混合空洞卷积,残差学习的论文, 主要内容为近年来,随着人工智能技术和服装电子商务的飞速发展,服装商品检索、个性化推荐等新型应用得到了广泛的关注,但也随之产生海量的服装数据,传统存储技术并不能很好的利用和开发它本身的价值。知识图谱作为一种人工智能前沿技术,可以充分利用大数据环境下产生的海量服装数据,以结构化的方式储存和管理,有效充分利用服装数据,提高检索效率。进而,为了已建服装知识图谱的有效利用,需要将知识图谱中的知识嵌入表示为向量。针对上述问题,本文基于服装商品属性完成了服装知识图谱构建,并提出了一种知识图谱嵌入模型上。本文核心内容包括以下三部分:(1)基于服装商品属性,结合本体概念和图数据库技术,完成了服装知识图谱构建。以电商网站的服装商品数据作为主要数据来源,通过爬虫技术获取数据,借助基于BiLSTM+CRF的深度学习模型完成服装信息抽取,使用Protege工具对服装领域本体进行构建,并生成RDF数据。使用语义插件完成RDF三元组数据到图数据结构的映射后,通过Neo4j图数据库对服装数据存储,完成服装知识图谱的构建。(2)以ConvE为代表将卷积神经网络应用于知识图谱嵌入中,用以捕捉实体和关系的交互信息,但其标准卷积捕捉特征交互信息能力不足,特征表达能力低下。针对特征交互能力不足问题,提出了一种基于改进Inception结构的知识图谱嵌入模型—InceE模型。该模型首先使用混合空洞卷积替代标准卷积,以提高特征交互信息捕捉能力;其次使用残差学习网络结构,以减少特征信息丢失。(3)将提出的基于改进Inception结构的知识图谱嵌入模型在三个基准数据集Kinship、FB15k、WN18以及服装数据集上进行了链接预测任务实验,实验结果表明,该模型相比于其它多种经典模型在MRR、Hit@1、Hit@3和Hit@10多个指标也取得的了更好效果,验证了该模型具有更强的特征交互信息捕捉能力和普适性。
一种基于改进U-Net的医学图像分割网络
这是一篇关于医学图像分割,深度卷积神经网络,多尺度特征融合,Inception,Dice loss,BConvLSTM Attention的论文, 主要内容为自从数字医学图像成像设备问世以来,医学图像已在医学治疗和诊断中起着至关重要的作用,其分析已经成为了临床治疗中的重中之重。在医学图像分析中,医学图像的精准分割对其分析起着至关重要的作用。近年来,深度卷积神经网络特别是U型编码解码器已经在医学图像分割领域内表现出了强大的性能。然而,由于医学图像的固有挑战,例如数据集的不规则性和异常值的存在,在临床应用领域内传统的分割方法还没有展示出足够准确和可靠的结果。基于此,本文提出了一种新型的深度学习网络Attention BConv LSTM U-Net with Redesigned Inception(IBA-U-Net)用于医学图像分割。首先,为了融合不同尺度的特征,并利用并行的不同大小的卷积核来提取多尺度细节,本文提出了一种更适合医学图像分割的Inception模块来增加输出特征图的感受野,提高网格提取特征的能力,同时降低模型整体网络参数及提高GPU计算能力,该模块能够提升网络的分割准确性和鲁棒性。其次,针对医学图像中噪声过多干扰分割准确率的问题,本文集成了BConv LSTM块和Attention块提出了Bi-Conv LSTM Attention块,该块能够减少编码器和解码器特征图之间的语义差距降低噪声带来的干扰问题。Bi-Conv LSTM在保留更多特征的同时能够挖掘出编码器和解码器中潜藏的信息,Attention块提高了模型的灵敏度,同时该块聚集于殊含义的部分,该做法可以降低错误分割的比例。再次,本文基于U型编码解码器结构集成了多尺度特征融合特点的Redesign Inception和Bi-Conv LSTM Attention机制的深度卷积神经网络Attention BConv LSTM U-Net with Redesigned Inception(IBA-U-Net)。同时本文基于Dice loss损失函数和加权交叉熵提出了更适合医学图像分割的损失函数。最后,本文提出的架构IBA-U-Net已在三个公开可用的数据集(肺图像分割数据集、皮肤病变图像数据集和视网膜血管图像)上与U-Net及最先进的分割方法进行了比较,每个数据集都有其独特的挑战,在实验部分本文发现提出的IBA-U-Net提高了预测性能。IBA-U-Net网络不仅计算费用略低,网络参数也更少,该网络只需45%的U-Net参数即可有效、准确地完成不同任务的医学图像分割。
一种基于改进U-Net的医学图像分割网络
这是一篇关于医学图像分割,深度卷积神经网络,多尺度特征融合,Inception,Dice loss,BConvLSTM Attention的论文, 主要内容为自从数字医学图像成像设备问世以来,医学图像已在医学治疗和诊断中起着至关重要的作用,其分析已经成为了临床治疗中的重中之重。在医学图像分析中,医学图像的精准分割对其分析起着至关重要的作用。近年来,深度卷积神经网络特别是U型编码解码器已经在医学图像分割领域内表现出了强大的性能。然而,由于医学图像的固有挑战,例如数据集的不规则性和异常值的存在,在临床应用领域内传统的分割方法还没有展示出足够准确和可靠的结果。基于此,本文提出了一种新型的深度学习网络Attention BConv LSTM U-Net with Redesigned Inception(IBA-U-Net)用于医学图像分割。首先,为了融合不同尺度的特征,并利用并行的不同大小的卷积核来提取多尺度细节,本文提出了一种更适合医学图像分割的Inception模块来增加输出特征图的感受野,提高网格提取特征的能力,同时降低模型整体网络参数及提高GPU计算能力,该模块能够提升网络的分割准确性和鲁棒性。其次,针对医学图像中噪声过多干扰分割准确率的问题,本文集成了BConv LSTM块和Attention块提出了Bi-Conv LSTM Attention块,该块能够减少编码器和解码器特征图之间的语义差距降低噪声带来的干扰问题。Bi-Conv LSTM在保留更多特征的同时能够挖掘出编码器和解码器中潜藏的信息,Attention块提高了模型的灵敏度,同时该块聚集于殊含义的部分,该做法可以降低错误分割的比例。再次,本文基于U型编码解码器结构集成了多尺度特征融合特点的Redesign Inception和Bi-Conv LSTM Attention机制的深度卷积神经网络Attention BConv LSTM U-Net with Redesigned Inception(IBA-U-Net)。同时本文基于Dice loss损失函数和加权交叉熵提出了更适合医学图像分割的损失函数。最后,本文提出的架构IBA-U-Net已在三个公开可用的数据集(肺图像分割数据集、皮肤病变图像数据集和视网膜血管图像)上与U-Net及最先进的分割方法进行了比较,每个数据集都有其独特的挑战,在实验部分本文发现提出的IBA-U-Net提高了预测性能。IBA-U-Net网络不仅计算费用略低,网络参数也更少,该网络只需45%的U-Net参数即可有效、准确地完成不同任务的医学图像分割。
基于U-Net的肺结节图像分割方法研究
这是一篇关于U-Net,肺结节分割,残差网络,Inception,条纹池化,坐标注意力的论文, 主要内容为受大气污染、吸烟等因素的影响,肺癌已经成为全球范围内发病率、死亡率最高的疾病之一,严重威胁着人类健康,早发现早治疗是降低肺癌死亡率的最佳手段。肺癌的早期表现往往是以小型结节的形式存在于肺实质之中,因此通过肺部CT图像对肺结节进行早期筛查变得极为重要。然而面对CT诊疗产生的海量医学数据,如果仅靠医师逐片阅读,将会产生巨大的工作量,通过计算机辅助诊断技术来对医学图像中的肺结节进行自动筛查可以帮助医师提高工作效率。近年来,随着深度学习技术在医学图像处理领域取得了突出的成就,相比于传统的医学图像处理方法,效率高,适应性强,准确率高,已经成为医学图像处理领域的主流方法。但在肺结节分割方面,目前的肺结节分割算法仍不能很好地适应肺结节复杂的影像学特征,分割精度仍然不够理想。在这样的背景下,本文针对肺结节的影像学特性,设计了对CT图像中肺结节的深度学习分割算法。本文的主要研究内容分为以下两部分:由于肺结节尺寸、形态、位置的多变性,传统U-Net网络对肺结节的分割准确性不高,并且容易出现网络性能退化的问题,导致网络提取肺结节困难。本文基于U-Net,将原来的二维卷积替换为三维卷积以适应CT图像的三维特性,在3DU-Net的基础上,结合残差网络、Inception网络和条纹池化的优势,将U-Net中的基本结构单元替换为由残差,Inception并列卷积和条纹池化模块构成的残差块,设计了一种新的肺结节分割模型RISU-Net。残差机制的引入使模型很大程度上避免了在训练过程中梯度消失以及网络退化的问题并加快了网络的收敛速度。Inception模块使用多个卷积并列,加深了网络的宽度,使网络具备多尺度适应性的同时也能降低模型的参数量。条形池化能够进一步增大模型的感受野,使分割结果边缘更加精细化。实验数据表明,RISU-Net较U-Net的分割精度有了显著的提升。RISU-Net模型沿用了原始U-Net的跳跃连接方式来融合网络中高低级的特征,为了进一步改善模型融合特征的方式,从整体U型网络的跳跃连接结构入手,在RISU-Net编码器和解码器之间的跳跃连接处引入了坐标注意力机制(Coordinate Attention),研究设计了RISAU-Net网络。相比RISU-Net,该模型减少了左侧编码路径中无用特征对右侧解码路径的干扰,进一步提升了对肺结节的分割精度。另外,重新设计了新的复合损失函数,克服了使用单一损失函数的局限性。实验数据表明,RISAU-Net对肺结节的分割效果以及检测率在RISU-Net的基础上进一步提升。
基于U-Net的肺结节图像分割方法研究
这是一篇关于U-Net,肺结节分割,残差网络,Inception,条纹池化,坐标注意力的论文, 主要内容为受大气污染、吸烟等因素的影响,肺癌已经成为全球范围内发病率、死亡率最高的疾病之一,严重威胁着人类健康,早发现早治疗是降低肺癌死亡率的最佳手段。肺癌的早期表现往往是以小型结节的形式存在于肺实质之中,因此通过肺部CT图像对肺结节进行早期筛查变得极为重要。然而面对CT诊疗产生的海量医学数据,如果仅靠医师逐片阅读,将会产生巨大的工作量,通过计算机辅助诊断技术来对医学图像中的肺结节进行自动筛查可以帮助医师提高工作效率。近年来,随着深度学习技术在医学图像处理领域取得了突出的成就,相比于传统的医学图像处理方法,效率高,适应性强,准确率高,已经成为医学图像处理领域的主流方法。但在肺结节分割方面,目前的肺结节分割算法仍不能很好地适应肺结节复杂的影像学特征,分割精度仍然不够理想。在这样的背景下,本文针对肺结节的影像学特性,设计了对CT图像中肺结节的深度学习分割算法。本文的主要研究内容分为以下两部分:由于肺结节尺寸、形态、位置的多变性,传统U-Net网络对肺结节的分割准确性不高,并且容易出现网络性能退化的问题,导致网络提取肺结节困难。本文基于U-Net,将原来的二维卷积替换为三维卷积以适应CT图像的三维特性,在3DU-Net的基础上,结合残差网络、Inception网络和条纹池化的优势,将U-Net中的基本结构单元替换为由残差,Inception并列卷积和条纹池化模块构成的残差块,设计了一种新的肺结节分割模型RISU-Net。残差机制的引入使模型很大程度上避免了在训练过程中梯度消失以及网络退化的问题并加快了网络的收敛速度。Inception模块使用多个卷积并列,加深了网络的宽度,使网络具备多尺度适应性的同时也能降低模型的参数量。条形池化能够进一步增大模型的感受野,使分割结果边缘更加精细化。实验数据表明,RISU-Net较U-Net的分割精度有了显著的提升。RISU-Net模型沿用了原始U-Net的跳跃连接方式来融合网络中高低级的特征,为了进一步改善模型融合特征的方式,从整体U型网络的跳跃连接结构入手,在RISU-Net编码器和解码器之间的跳跃连接处引入了坐标注意力机制(Coordinate Attention),研究设计了RISAU-Net网络。相比RISU-Net,该模型减少了左侧编码路径中无用特征对右侧解码路径的干扰,进一步提升了对肺结节的分割精度。另外,重新设计了新的复合损失函数,克服了使用单一损失函数的局限性。实验数据表明,RISAU-Net对肺结节的分割效果以及检测率在RISU-Net的基础上进一步提升。
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：代码驿站 ，原文地址：https://bishedaima.com/lunwen/54193.html
