5个研究背景和意义示例,教你写计算机多分类论文

今天分享的是关于多分类的5篇计算机毕业论文范文, 如果你的论文涉及到多分类等主题,本文能够帮助到你

面向不平衡数据分类的数据重采样技术研究

这是一篇关于不平衡数据,多分类,时间序列,数据重采样,集成学习的论文, 主要内容为随着信息化技术和计算机硬件的发展,各领域产生并存储了大量数据,研究人员致力于从海量数据中提取出对人类社会有价值的信息,却一直受到数据不平衡问题的困扰。所谓的不平衡数据就是指数据集中某一类样本的数量与其他类别样本数量差距较大,不平衡数据问题广泛存在于恶意流量检测、故障检测、疾病诊断、金融诈骗检测等领域。在处理不平衡数据时,现有的机器学习方法大多性能较差,直接使用以总体分类精度最大为目标的传统分类算法处理不平衡数据,最终训练出的分类模型会偏向于样本数量众多的多数类而忽略少数类,导致少数类的分类精度较低,如何正确分类不平衡数据面临着巨大的挑战。本文围绕不平衡分类问题展开深入的研究,取得的主要研究进展如下:(1)针对不平衡二分类问题,设计开发了基于样本分类困难度的过采样集成算法OSEA。本文引入样本分类困难度这一概念,它反映的是所有影响分类准确的因素对分类器的综合影响。OSEA算法采用过采样算法与集成学习算法结合的方法,用样本分类困难度作为采样权重指导分类器训练过程。在人工合成数据集和现实世界数据集上测试算法性能,OSEA的AUCPRC指标达到91.1%。相比于多个目前性能优良的通用不平衡分类算法,OSEA的多个评价指标有明显提高。(2)针对不平衡多分类问题,设计开发了基于分解策略的混合重采样集成算法MC-HSEA。本文引入球形邻域清理技术,可以在保留邻域样本信息的基础上缓解样本重叠问题。算法应用OVO分解策略简化多分类问题,然后应用球形邻域清理技术对样本进行数据清理,使用过采样集成算法在少数类样本周围的球形区域内进行过采样。在多个不平衡多分类数据集上测试算法性能,相比于4个通用不平衡多分类算法,MC-HSEA算法的m GM平均提高9.93%,Av Acc平均提高9.33%。(3)针对不平衡时间序列分类问题,设计开发了基于共享最近邻相似性的密度聚类欠采样算法SNN-DCUS。本文使用共享最近邻相似性来缓解时间序列数据维度灾难的问题,用密度聚类中核点的概念去处理聚类数据存在不同大小和形状的簇的问题。在多个不平衡时间序列数据集上测试算法,SNN-DCUS算法的F1-score平均提升5.4%,G-mean平均提升7.45%,AUCPRC平均提升7.55%。

基于深度神经网络的宫颈癌智能辅助诊断方法研究

这是一篇关于深度学习,卷积神经网络,多分类,分割,宫颈癌,阴道镜图像的论文, 主要内容为宫颈癌是一种原发于子宫颈的恶性肿瘤。其早期治愈率极高,所以通过早期筛查确定子宫颈上皮内瘤变和宫颈癌对于及时预防和治疗宫颈癌具有重要意义。阴道镜检查是临床上筛查宫颈癌最常用的方法之一,用于指导宫颈癌筛查前的活检,但其准确率、敏感度和特异度受临床医生的经验水平影响,不同的阴道镜医师之间病变的检出率存在显著差异,易导致漏诊、误诊等问题。同时,目前我国的患者数量与有经验的阴道镜医生数量不匹配,导致部分患者无法及时就诊。基于深度学习的图像分类和分割技术在计算机辅助诊断上表现良好,能够有效缓解当前宫颈癌筛查的压力。本文针对阴道镜下宫颈病变特征不明显、多尺度和不规则的识别难点,研究并实现了分类和分割两种模型在宫颈病变检测中的应用,具体研究内容包括:(1)针对性地构建了两个类型的宫颈病变数据集:多分类数据集和分割数据集。在多分类数据集的构建中,将图像分为LSIL、HSIL、宫颈癌、宫颈赘生物和正常五个类别,按照训练集:验证集:测试集=9:1:1的比例将图像分为三部分。在分割数据集的构建中,以病理结果作为金标准用Labelme软件对阴道镜图像中的病变部位进行标注,按照训练集:测试集:验证集=4:1:1的比例将图像分为三部分。两种数据集都进行了图像增广处理,可有效提升训练模型的泛化能力。(2)提出了一种基于改进ShuffleNet-V2的轻量化宫颈病变多分类模型。分别加入了通道注意力机制SKNet和SENet,让网络提高对病变区域的关注,抑制不重要的背景信息。实验结果显示,两种改进的网络比原网络的分类准确率分别提升了0.86%和1.01%,加入SENet对网络性能的提升更为显著。此外,通过对比改进网络和其它网络的分类准确率及模型尺寸,证明改进后的网络综合性能达到最优。(3)提出了一种基于改进U-Net的宫颈病变区域分割模型。与基础网络U-Net相比,改进后的网络加入了特征金字塔结构,提取了多尺度信息,可以更好地识别点状血管等细小特征,并且针对宫颈病变区域大小形状不规则的问题,加入了动态感受野模块,提升了模型捕捉边界信息的能力。实验结果显示,改进后的模型的分割准确率比原网络提高了3.4%,证明了对模型的改进可有效提高宫颈病变区域分割的性能,实现了分割病变区域的任务。

基于深度学习的胃癌病理图像识别

这是一篇关于深度学习,胃癌,数字病理图像,Transformer,多尺度特征,多分类的论文, 主要内容为胃癌的发病率和死亡率位居消化系统癌症的前列。早期检查可以有效提高患者生存率,相比于CT等检查病理诊断是金标准。精确的组织病理学诊断对胃癌的治疗具有重要意义。为了更好的协助病理医师进行诊断分析并提高诊断效率,本文利用深度学习算法对胃癌病理图像进行识别研究。主要在病理图像分析上做了两方面的研究,一是对胃癌亚型的分类,二是对肿瘤区域的分割。针对胃癌病理图像分类问题,提出了基于局部特征和全局特征的多分类模型。虽然现有研究对胃癌病理图像分类已经获得较好的结果,但大多数研究对胃癌病理图像采用二值分类,这与临床要求有一定的差距。因此,本文提出了一种基于深度学习的多分类方法,更具有临床实用价值。在分类研究中,本文开发了一种基于Transformer和卷积神经网络(Convolutional Neural Network,CNN)的多尺度模型Sto His Net,用于细粒度多分类任务。Sto His Net采用Transformer学习全局特征,缓解了卷积运算固有的感受野局限,采用CNN进行局部特征的归纳学习,加速了网络的收敛。所提模型在胃病理图像数据集上以及另外两个病理图像数据集进行了实验,结果表明,该模型具有良好的分类和泛化能力。针对胃癌病理图像分割问题,提出了基于CNN和Transformer的多尺度分割模型。病理图像中需要考虑不同组织、肿瘤区域的大小等多尺度的信息,而且病理医师的阅片也是不断放大缩小显微镜倍数的过程。因此,为了更好的模拟诊断过程,本文提出了一个基于CNN与Transformer的多尺度特征融合模型Gas Unet。对于全局信息和局部信息的利用问题,Gas Unet采用了包含CNN和Transformer多路径通道模块,在特征提取后使用基于移位和投影操作的多路径特征融合模块进行不同通道多尺度特征的交互。为了减少通道中Transformer的计算量,本文使用通道自注意力并减少Tokens的大小来降低自注意力的计算量,提升了模型整体的性能。相比于其他模型,Gas Unet在胃癌和结直肠癌病理图像数据集上取得了较好的分割结果,验证了模型的性能。本文在胃癌病理图像识别的研究中提出了基于深度学习的分类和分割模型,并在胃癌病理图像上获得了较好的分类和分割结果。此外,本文还在其他病理图像的数据集上验证了模型良好的泛化性。研究表明,本文提出的模型是具有分析胃部组织病理学图像潜力的工具,有助于更好的协助病理专家进行诊断分析。