股票這個價位要不要買論文書籍站
國立虎尾科技大學 電機工程系碩士班 陳政宏所指導 李侑軒的 使用點雲資料在基於語義分割之單級三維物件偵測 （2021），提出pages分割表格關鍵因素是什麼，來自於卷積神經網路、3D點雲、深度學習、物件偵測、單級偵測器。
而第二篇論文國立成功大學 數據科學研究所 李政德所指導 鄭宜崴的 階層式二分圖卷積網路之推薦系統 （2020），提出因為有 深度學習、圖卷積網路、圖池化、推薦系統的重點而找出了 pages分割表格的解答。
使用點雲資料在基於語義分割之單級三維物件偵測
為了解決pages分割表格 的問題，作者李侑軒 這樣論述：
現有的3D點雲物件偵測在考慮到運算量與速度的前提下多僅使用點雲數據來進行訓練，而在訓練點雲物件時通常將物件偵測(Object Detection)和物件辨識視為兩個獨立的任務，因此在定位準確度和分類器的置信度兩者數據可能會無法匹配。為了解決這個問題，本研究將焦點放在單級偵測器(One Stage)上，參考了前面已經有的一些方法之後，本研究設計出了SS-SSD (Semantic Segmentation-Based Single-Stage 3D Object Detection)的模型架構。SS-SSD大致分為三個部分，第一個部分使用稀疏卷積(Sparse Convolution)來處理輸
入的點雲點，並藉以將其轉換成更好進行資料處理體素(Voxel)並進行訓練，第二部分為區域提取網路(RPN,Region Proposal Networks)，重新編排過後的體素網路架構可以很快地找到三維數據的特徵空間，第三部分為語義分割模型，本研究的語義分割模型直接輸出語義分割後的淺層體素網路，再把處理過後的語義分割模型以及RPN網路輸出的模型進行資料合併，最後用DIoU(Distance Intersection over Union)來收斂損失函數(Loss Function)，並得以進行物件偵測以及物件辨識。
階層式二分圖卷積網路之推薦系統
為了解決pages分割表格 的問題，作者鄭宜崴 這樣論述：
近年來由於圖神經網路的長足發展，推薦系統技術也跟著取得了顯著的效能進步，但前人研究提出普通的圖神經網路(GNN)、圖卷積網路(GCN) 其訊息傳遞機制是扁平的，因此無法捕獲到使用者-項目二分圖上的層次結構，但這種層次結構在真實情境中卻可能隱含了豐富的訊息，比如某些使用者可能因為相似的喜好而可以自成一個使用者群集，某些項目也可能因為受眾相似而形成一個項目群集，而某幾個群集又可以因為更抽象的特徵而形成更高一層的群集，依此類推。這種分層表示能夠為推薦系統提供額外的依據，有利於幫同一群集中的使用者更加精準地推薦項目。本研究提出了一個新穎的推薦系統演算法，階層式二分圖卷積網路(HierBGCN)，主要
設計了BiDiffPool層，能夠對二分圖進行可微分的池化操作，逐層減少節點數，同時保持二分圖的性質。 堆疊BiDiffPool層，即可以階層式的方式將每層的使用者-項目二分圖進行群集而得到多層的粗化圖，並在每一層的圖上使用 GCN 獲取高階鄰居資訊。最後再將每一層的資訊進行融合，得到使用者及項目的最終表示，藉以捕獲到豐富的層次訊息，並進行端到端的訓練。 在實驗結果中，本研究提出的HierBGCN比過去專用於同質圖的階層式GNN效果更好，因為HierBGCN是專為二分圖所設計的方法，能夠在圖池化過程中保留二分圖的性質，此外HierBGCN在推薦系統效能上有顯著的進步，在各項指標都比過去最佳的扁
平GCN推薦模型來的高，驗證了學習圖的層次結構表示確實能夠提升推薦任務的準確性。