【摘要】：為了將無監(jiān)督特征學習應用于小樣本量的圖像情緒語義分析,該文采用一種基于卷積稀疏自動編碼器進行自學習的領域適應方法對少量有標記抽象圖像進行情緒性分類。并且提出了一種采用平均梯度準則對自動編碼器所學權重進行排序的方法,用于對基于不同領域的特征學習結果進行直觀比較。首先在源領域中的大量無標記圖像上隨機采集圖像子塊并利用稀疏自動編碼器學習局部特征,然后將對應不同特征的權重矩陣按照每個矩陣在3個色彩通道上的平均梯度中的最小值進行排序。最后采用包含池化層的卷積神經網(wǎng)絡提取目標領域有標記圖像樣本的全局特征響應,并送入邏輯回歸模型進行情緒性分類。實驗結果表明基于自學習的領域適應可以為無監(jiān)督特征學習在有限樣本目標領域上的應用提供訓練數(shù)據(jù),而且采用稀疏自動編碼器的跨領域特征學習能在有限數(shù)量抽象圖像情緒語義分析中獲得比底層視覺特征更優(yōu)秀的辨識效果。
[Abstract]:In order to apply unsupervised feature learning to the image emotional semantic analysis of small sample size, a domain adaptation method based on convolution sparse automatic encoder is used to classify a small number of labeled abstract images. An average gradient criterion is proposed to rank the weights of the automatic encoder, which is used to compare the results of feature learning based on different fields. Firstly, random acquisition of image subblocks on a large number of unlabeled images in the source domain is carried out and local features are learned by sparse automatic encoder. Then the weight matrices corresponding to different characteristics are sorted according to the minimum value of the average gradient of each matrix on the three color channels. Finally, a convolution neural network containing pool layer is used to extract the global feature response of labeled image samples in the target domain, and then the logical regression model is used to classify emotion. The experimental results show that domain adaptation based on self-learning can provide training data for the application of unsupervised feature learning in the field of finite sample target. Furthermore, cross-domain feature learning using sparse automatic encoder can obtain better identification results than the underlying visual features in a limited number of abstract image emotion-semantic analysis.
【作者單位】： 西北工業(yè)大學電子信息學院;鄭州輕工業(yè)學院計算機與通信工程學院;
【基金】：陜西省科技統(tǒng)籌創(chuàng)新工程重點實驗室項目(2013 SZS15-K02)~~
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前5條

1 李寰宇;畢篤彥;查宇飛;楊源;;一種易于初始化的類卷積神經網(wǎng)絡視覺跟蹤算法[J];電子與信息學報;2016年01期

2 李祖賀;樊養(yǎng)余;王鳳琴;;YUV空間中基于稀疏自動編碼器的無監(jiān)督特征學習[J];電子與信息學報;2016年01期

3 李祖賀;樊養(yǎng)余;;基于視覺的情感分析研究綜述[J];計算機應用研究;2015年12期

4 楊興明;吳克偉;孫永宣;謝昭;;可遷移測度準則下的協(xié)變量偏移修正多源集成方法[J];電子與信息學報;2015年12期

5 莊福振;羅平;何清;史忠植;;遷移學習研究進展[J];軟件學報;2015年01期

【共引文獻】

相關期刊論文 前10條

1 胡楊;馮旭鵬;戴丹;劉利軍;黃青松;;最小費用最大流跨領域情感分類框架[J];小型微型計算機系統(tǒng);2017年01期

2 陳超;沈飛;嚴如強;;改進LSSVM遷移學習方法的軸承故障診斷[J];儀器儀表學報;2017年01期

3 羅成;;從中美教材對比視角談“理想化模型”教學思路——以“質點”模型為例[J];物理教學探討;2016年12期

4 宋鵬;鄭文明;趙力;;基于特征遷移學習方法的跨庫語音情感識別[J];清華大學學報(自然科學版);2016年11期

5 鄭宇;程樂峰;孟科;張睿;李正佳;余濤;;一種基于能源互聯(lián)網(wǎng)的能源USB系統(tǒng)方案設計[J];新型工業(yè)化;2016年10期

6 趙穎;;基于改進SVM的文本混沌性分類優(yōu)化技術實現(xiàn)[J];現(xiàn)代電子技術;2016年20期

7 樊養(yǎng)余;李祖賀;王鳳琴;馬江濤;;基于跨領域卷積稀疏自動編碼器的抽象圖像情緒性分類[J];電子與信息學報;2017年01期

8 李彥冬;郝宗波;雷航;;卷積神經網(wǎng)絡研究綜述[J];計算機應用;2016年09期

9 崔博;牛悅嬌;;關于移動通信資源分配方法的改進研究[J];計算機仿真;2016年08期

10 姜海燕;劉昊天;舒欣;徐彥;伍艷蓮;郭小清;;基于最大均值差異的多標記遷移學習算法[J];信息與控制;2016年04期

【二級參考文獻】

相關期刊論文 前10條

1 李寰宇;畢篤彥;楊源;查宇飛;覃兵;張立朝;;基于深度特征表達與學習的視覺跟蹤算法研究[J];電子與信息學報;2015年09期

2 侯志強;黃安奇;余旺盛;劉翔;;基于局部分塊和模型更新的視覺跟蹤算法[J];電子與信息學報;2015年06期

3 鄭歆慰;胡巖峰;孫顯;王宏琦;;基于空間約束多特征聯(lián)合稀疏編碼的遙感圖像標注方法研究[J];電子與信息學報;2014年08期

4 方耀寧;郭云飛;丁雪濤;蘭巨龍;;一種基于標簽遷移學習的改進正則化奇異值分解推薦算法[J];電子與信息學報;2013年12期

5 許敏;王士同;史熒中;;一種新的面向遷移學習的L_2核分類器[J];電子與信息學報;2013年09期

6 孫志軍;薛磊;許陽明;;基于深度學習的邊際Fisher分析特征提取算法[J];電子與信息學報;2013年04期

7 洪佳明;印鑒;黃云;劉玉葆;王甲海;;TrSVM:一種基于領域相似性的遷移學習算法[J];計算機研究與發(fā)展;2011年10期

8 劉高平;趙杜娟;黃華;;基于自編碼神經網(wǎng)絡重構的車牌數(shù)字識別[J];光電子.激光;2011年01期

9 ;Inductive transfer learning for unlabeled target-domain via hybrid regularization[J];Chinese Science Bulletin;2009年14期

10 王偉凝,余英林;圖像的情感語義研究進展[J];電路與系統(tǒng)學報;2003年05期

【相似文獻】

相關期刊論文 前4條

1 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動編碼器的研究與展望[J];計算機與現(xiàn)代化;2014年08期

2 秦勝君;盧志平;;基于降噪自動編碼器的不平衡情感分類研究[J];科學技術與工程;2014年12期

3 段寶彬;韓立新;;改進的深度卷積網(wǎng)絡及在碎紙片拼接中的應用[J];計算機工程與應用;2014年09期

4 ;[J];;年期

相關碩士學位論文 前7條

1 梁湘群;基于Gabor特征與深度自動編碼器的笑臉識別方法[D];五邑大學;2015年

2 吳海燕;基于自動編碼器的半監(jiān)督表示學習與分類學習研究[D];重慶大學;2015年

3 林雨;極限學習機與自動編碼器的融合算法研究[D];吉林大學;2016年

4 龐榮;深度神經網(wǎng)絡算法研究及應用[D];西南交通大學;2016年

5 李娟;基于深度學習的評價對象抽取[D];東南大學;2016年

6 尹曉燕;基于深度學習的人臉識別研究[D];天津大學;2014年

7 雒玉璽;稀疏自動編碼器及其加速算法的研究[D];蘭州大學;2014年

，

本文編號：2359926