基于可解释网络的单幅夜间图像去雾研究
这是一篇关于夜间图像去雾,网络可解释性,条件生成对抗网络,注意力机制,夜间朦胧成像模型的论文, 主要内容为随着深度学习技术在计算机视觉领域的广泛应用,在交通、医疗、军事等高风险领域中采用的模型方法是否具备可解释性和可靠性,引起了广泛的关注。受到近年来频繁出现的雾霾等恶劣天气的影响,基于光学成像系统处理信息的众多领域,由于无法直接获取到清晰的图像而严重影响了后期对信息的准确获取及处理工作。特别是夜间场景中存在人工活动光源,使得获取到的夜间图像被严重降质。由此对于夜间雾霾图像进行清晰化处理成为了重要的研究课题。同时随着深度学习技术在夜间图像去雾研究中的应用,运用深度神经网络实现夜间图像去雾结果的可靠性以及网络的可解释性引起了业界的重视与思考。本文首先分析了夜间雾霾条件下的成像特点及成因。进而说明了夜间图像去雾的目标为削弱图像中可能存在的光源区域,更多的恢复非光源区域的细节,便于后续的图像处理工作从中提取有利信息。随后分析了条件生成对抗网络相较于卷积神经网络在夜间去雾工作中的优越性,以及存在的不可解释问题。针对以上存在的问题,文本提出了以融合了密集网络Dense Net的U-Net作为生成器网络U-De Net的条件生成对抗网络,并搭载针对光源的注意模块。通过人类主观期待的方式,对图像光源区域进行特征提取并削弱其在生成图像过程中的权重,以此达到提高对非光源区域的复原权重的效果,进而使得去雾图像中的非光源区域的细节得到更多的呈现。同时通过运用Grad-CAM技术对网络对光源提取到的特征以热力图的方式进行可视化,进一步增强了本文网络的可解释性。此外,针对基于条件生成对抗网络完成图像去雾的结果中存在的噪声问题,文本在对抗损失的基础上,加入了能够保留中低层纹理特征的重建损失以及能够保留高级语义特征的感知损失。以复合损失作为生成器的目标函数,有效消除了生成图像中的噪声残留问题。本文分别在合成的夜间有雾图像数据集以及真实夜间有雾图像数据集上进行了实验,并与可解释的传统物理模型去雾算法以及被视为“黑盒”的端到端的夜间去雾算法的去雾结果进行了主观视觉效果分析和客观指标评价。实验结果表明本文方法能够有效的削弱可见人工光源在去雾过程中可能产生的伪影或噪声的影响,去雾结果中更多的呈现非光源区域的纹理细节,同时在客观指标PSNR与SSIM相较于其他方法均有所提高。
基于条件生成对抗网络的农产品推荐研究
这是一篇关于条件生成对抗网络,农产品,推荐系统,评论文本的论文, 主要内容为推荐系统通过分析用户与物品的历史交互行为来获取用户的偏好,挖掘用户的潜在需求,进而向用户推荐其可能感兴趣的商品。在当前常见的农产品推荐系统中,大部分模型没有充分使用用户与农产品的评论、评分等交互数据,因此难以学习到较为准确的用户偏好,导致推荐效果不佳。条件生成对抗网络以生成对抗网络为基础,能够较好地拟合输入的数据的分布。为了学习更为准确的用户偏好,本文通过融合BERT与图卷积神经网络,从用户与农产品交互的评论信息中提取用户特征与农产品特征,再结合条件生成对抗网络进行推荐,以提高农产品推荐效果。论文在对农产品推荐模型、生成对抗网络相关研究进行系统分析的基础上,针对当前农产品推荐模型没有充分使用评论数据,难以准确地学习用户偏好的问题,提出了一个基于条件生成对抗网络的农产品推荐模型(Recommendation of Agricultural products based on Conditional Generative Adversarial Net,RACGAN)。本文的主要研究有:(1)融合BERT与图卷积神经网络技术的用户与农产品特征提取。针对当前农产品推荐模型未能充分运用用户与农产品的评论信息、未能较好地学习用户偏好等问题,本文通过融合BERT与图卷积神经网络以更好地运用评论信息,从中提取更高质量的用户与农产品特征。(2)构建基于条件生成对抗网络的农产品推荐模型RACGAN。为了更好地学习用户的偏好,提高推荐效果,本文构建了基于条件生成对抗网络的农产品推荐模型RACGAN,该模型主要由一个生成器和一个判别器构成。其中,生成器以用户特征和农产品特征作为输入,目标为预测用户与农产品产生交互的概率。判别器以用户特征和交互矩阵作为输入,目标为判断输入的交互矩阵是真实的还是生成器预测的。最终选取生成器预测的交互概率最高的部分农产品进行推荐。(3)通过在真实的农产品数据集上进行相关实验,探究了不同超参数对农产品推荐效果的影响,验证了本文所提出的基于条件生成对抗网络的农产品推荐模型RACGAN的有效性。同时,将RACGAN与当前其它的主流推荐模型在农产品数据集上进行了对比实验。实验结果表明,本文提出的基于条件生成对抗网络的农产品推荐模型,在推荐效果上相比于其它推荐模型具有一定优势。
基于条件生成对抗网络的农产品推荐研究
这是一篇关于条件生成对抗网络,农产品,推荐系统,评论文本的论文, 主要内容为推荐系统通过分析用户与物品的历史交互行为来获取用户的偏好,挖掘用户的潜在需求,进而向用户推荐其可能感兴趣的商品。在当前常见的农产品推荐系统中,大部分模型没有充分使用用户与农产品的评论、评分等交互数据,因此难以学习到较为准确的用户偏好,导致推荐效果不佳。条件生成对抗网络以生成对抗网络为基础,能够较好地拟合输入的数据的分布。为了学习更为准确的用户偏好,本文通过融合BERT与图卷积神经网络,从用户与农产品交互的评论信息中提取用户特征与农产品特征,再结合条件生成对抗网络进行推荐,以提高农产品推荐效果。论文在对农产品推荐模型、生成对抗网络相关研究进行系统分析的基础上,针对当前农产品推荐模型没有充分使用评论数据,难以准确地学习用户偏好的问题,提出了一个基于条件生成对抗网络的农产品推荐模型(Recommendation of Agricultural products based on Conditional Generative Adversarial Net,RACGAN)。本文的主要研究有:(1)融合BERT与图卷积神经网络技术的用户与农产品特征提取。针对当前农产品推荐模型未能充分运用用户与农产品的评论信息、未能较好地学习用户偏好等问题,本文通过融合BERT与图卷积神经网络以更好地运用评论信息,从中提取更高质量的用户与农产品特征。(2)构建基于条件生成对抗网络的农产品推荐模型RACGAN。为了更好地学习用户的偏好,提高推荐效果,本文构建了基于条件生成对抗网络的农产品推荐模型RACGAN,该模型主要由一个生成器和一个判别器构成。其中,生成器以用户特征和农产品特征作为输入,目标为预测用户与农产品产生交互的概率。判别器以用户特征和交互矩阵作为输入,目标为判断输入的交互矩阵是真实的还是生成器预测的。最终选取生成器预测的交互概率最高的部分农产品进行推荐。(3)通过在真实的农产品数据集上进行相关实验,探究了不同超参数对农产品推荐效果的影响,验证了本文所提出的基于条件生成对抗网络的农产品推荐模型RACGAN的有效性。同时,将RACGAN与当前其它的主流推荐模型在农产品数据集上进行了对比实验。实验结果表明,本文提出的基于条件生成对抗网络的农产品推荐模型,在推荐效果上相比于其它推荐模型具有一定优势。
基于条件生成对抗网络的农产品推荐研究
这是一篇关于条件生成对抗网络,农产品,推荐系统,评论文本的论文, 主要内容为推荐系统通过分析用户与物品的历史交互行为来获取用户的偏好,挖掘用户的潜在需求,进而向用户推荐其可能感兴趣的商品。在当前常见的农产品推荐系统中,大部分模型没有充分使用用户与农产品的评论、评分等交互数据,因此难以学习到较为准确的用户偏好,导致推荐效果不佳。条件生成对抗网络以生成对抗网络为基础,能够较好地拟合输入的数据的分布。为了学习更为准确的用户偏好,本文通过融合BERT与图卷积神经网络,从用户与农产品交互的评论信息中提取用户特征与农产品特征,再结合条件生成对抗网络进行推荐,以提高农产品推荐效果。论文在对农产品推荐模型、生成对抗网络相关研究进行系统分析的基础上,针对当前农产品推荐模型没有充分使用评论数据,难以准确地学习用户偏好的问题,提出了一个基于条件生成对抗网络的农产品推荐模型(Recommendation of Agricultural products based on Conditional Generative Adversarial Net,RACGAN)。本文的主要研究有:(1)融合BERT与图卷积神经网络技术的用户与农产品特征提取。针对当前农产品推荐模型未能充分运用用户与农产品的评论信息、未能较好地学习用户偏好等问题,本文通过融合BERT与图卷积神经网络以更好地运用评论信息,从中提取更高质量的用户与农产品特征。(2)构建基于条件生成对抗网络的农产品推荐模型RACGAN。为了更好地学习用户的偏好,提高推荐效果,本文构建了基于条件生成对抗网络的农产品推荐模型RACGAN,该模型主要由一个生成器和一个判别器构成。其中,生成器以用户特征和农产品特征作为输入,目标为预测用户与农产品产生交互的概率。判别器以用户特征和交互矩阵作为输入,目标为判断输入的交互矩阵是真实的还是生成器预测的。最终选取生成器预测的交互概率最高的部分农产品进行推荐。(3)通过在真实的农产品数据集上进行相关实验,探究了不同超参数对农产品推荐效果的影响,验证了本文所提出的基于条件生成对抗网络的农产品推荐模型RACGAN的有效性。同时,将RACGAN与当前其它的主流推荐模型在农产品数据集上进行了对比实验。实验结果表明,本文提出的基于条件生成对抗网络的农产品推荐模型,在推荐效果上相比于其它推荐模型具有一定优势。
基于可解释网络的单幅夜间图像去雾研究
这是一篇关于夜间图像去雾,网络可解释性,条件生成对抗网络,注意力机制,夜间朦胧成像模型的论文, 主要内容为随着深度学习技术在计算机视觉领域的广泛应用,在交通、医疗、军事等高风险领域中采用的模型方法是否具备可解释性和可靠性,引起了广泛的关注。受到近年来频繁出现的雾霾等恶劣天气的影响,基于光学成像系统处理信息的众多领域,由于无法直接获取到清晰的图像而严重影响了后期对信息的准确获取及处理工作。特别是夜间场景中存在人工活动光源,使得获取到的夜间图像被严重降质。由此对于夜间雾霾图像进行清晰化处理成为了重要的研究课题。同时随着深度学习技术在夜间图像去雾研究中的应用,运用深度神经网络实现夜间图像去雾结果的可靠性以及网络的可解释性引起了业界的重视与思考。本文首先分析了夜间雾霾条件下的成像特点及成因。进而说明了夜间图像去雾的目标为削弱图像中可能存在的光源区域,更多的恢复非光源区域的细节,便于后续的图像处理工作从中提取有利信息。随后分析了条件生成对抗网络相较于卷积神经网络在夜间去雾工作中的优越性,以及存在的不可解释问题。针对以上存在的问题,文本提出了以融合了密集网络Dense Net的U-Net作为生成器网络U-De Net的条件生成对抗网络,并搭载针对光源的注意模块。通过人类主观期待的方式,对图像光源区域进行特征提取并削弱其在生成图像过程中的权重,以此达到提高对非光源区域的复原权重的效果,进而使得去雾图像中的非光源区域的细节得到更多的呈现。同时通过运用Grad-CAM技术对网络对光源提取到的特征以热力图的方式进行可视化,进一步增强了本文网络的可解释性。此外,针对基于条件生成对抗网络完成图像去雾的结果中存在的噪声问题,文本在对抗损失的基础上,加入了能够保留中低层纹理特征的重建损失以及能够保留高级语义特征的感知损失。以复合损失作为生成器的目标函数,有效消除了生成图像中的噪声残留问题。本文分别在合成的夜间有雾图像数据集以及真实夜间有雾图像数据集上进行了实验,并与可解释的传统物理模型去雾算法以及被视为“黑盒”的端到端的夜间去雾算法的去雾结果进行了主观视觉效果分析和客观指标评价。实验结果表明本文方法能够有效的削弱可见人工光源在去雾过程中可能产生的伪影或噪声的影响,去雾结果中更多的呈现非光源区域的纹理细节,同时在客观指标PSNR与SSIM相较于其他方法均有所提高。
基于卷积神经网络的电机轴承故障诊断研究
这是一篇关于电机轴承,故障诊断,卷积神经网络,注意力机制,条件生成对抗网络的论文, 主要内容为轴承是电机的重要部件,常工作在高温、高负载等恶劣条件下,轴承不可避免地发生故障,导致设备工作效率下降、造成经济损失,因此对电机轴承进行故障诊断具有重要意义。卷积神经网络(CNN)具备优异的特征挖掘能力,但其模型参数量通常较大,在复杂工况下的诊断精度有待提升。此外,轴承故障数据获取成本昂贵,有时无法获取大量样本。针对以上问题,本文以电机轴承作为研究对象,搭建基于CNN的故障诊断模型,本文主要研究内容如下:(1)针对CNN模型参数量通常较大、复杂工况下轴承故障诊断准确率不高的问题,提出了基于多尺度注意力倒残差卷积神经网络的轴承故障诊断方法。首先,该方法构造了多尺度特征提取模块,采用多尺度并行卷积获取原始信号不同层次特征,自适应提取故障特征信息;然后,利用特征图膨胀标准卷积构建浅层卷积模块,提高浅层网络学习能力;最后,将倒残差模块与通道注意力机制相结合,挖掘深层故障特征,缩减模型参数量。采用公开轴承故障数据集验证了该模型性能,实验结果表明,所提方法具有轻量化优势,在多种工况下均具有较高的故障诊断精度。(2)针对变负载情况下,轴承故障诊断精度较低的问题,提出了融合Le Net5和Inception的卷积神经网络的变工况轴承故障诊断方法。首先,该方法参考Le Net5卷积-池化建模思路,并采用更大尺度卷积核以增加模型的泛化性能;然后,通过改进Inception模块结构,提出了一种基于一维卷积神经网络的1D-Inception模块,通过不同卷积通道获取多尺度故障信息,从而提升变负载条件下特征提取能力;最后,采用全局最大池化层压缩特征,利用输出层进行故障识别。实验结果表明,本文所提方法的变负载性能优于传统网络,在变负载条件下具有更高故障诊断精度。(3)针对小样本条件下,因为训练样本不足,导致模型过拟合的问题,本文将SE通道注意力机制与条件生成对抗网络(CGAN)进行融合,提出了基于SECGAN的小样本轴承故障诊断方法。SECGAN在生成器和判别器中加入SE注意力机制模块,增强了不同通道之间的交互,以提升模型数据特征提取能力;并且,生成器和判别器均采用二维卷积神经网络搭建,以充分获取图像细节特征,保证生成图片质量。SECGAN以灰度图作为输入,经过充分训练,能够生成与原始灰度图相近的图片,实验结果表明,所提方法能够有效改善因训练样本不足导致的过拟合问题。
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：毕设港湾 ，原文地址：https://bishedaima.com/lunwen/54535.html
