發(fā)布時間：2021-01-17 20:32

　　圖像分類作為計算機視覺、模式識別和機器學習等多個領域的交叉方向,旨在從圖像或圖像序列中提取判別性的特征并進行歸類,使得機器視覺具有一定的識別能力。隨著大數(shù)據(jù)的出現(xiàn)和計算機運算能力的不斷突破,深度學習在很多領域取得了顯著的成績,廣泛應用于醫(yī)療圖像處理、智能交通、電商平臺、人臉識別等領域。然而,目前的深度學習方法高度依賴于大量的標注樣本。但大多數(shù)實際應用場景仍嚴重缺乏標注樣本,并且高質(zhì)量的標簽將會產(chǎn)生昂貴的標注成本。主動學習方法通過合適的策略,主動篩選或生成最能夠提升當前模型性能的樣本;目標模型基于專家標注的樣本進行迭代式地訓練,從而不斷提升目標模型的性能。主動學習方法的核心目標是使用盡可能少的標注樣本達到預期的模型性能,從而顯著地減少標注成本。主動學習方法能夠在一定程度上緩解深度學習對大量標注樣本的依賴問題。因此,研究主動學習策略及其在圖像分類中的應用是一項既富有挑戰(zhàn)又具有實際意義的工作。本文的主要工作具體如下:首先,我們對主動學習方法和圖像分類技術(shù)進行了廣泛地調(diào)研并綜述,主要內(nèi)容包括:1)分別詳細地總結(jié)了基于傳統(tǒng)機器學習和基于深度學習方法的圖像分類技術(shù);2)總結(jié)了主動學習方法的基本框架... 

【文章來源】：廈門大學福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：93 頁

【學位級別】：碩士

【部分圖文】：

傳統(tǒng)機器學習方法與深度學習方法的異同示意圖

圖２．２手工提取特征效果示意圖

圖２．３?ＫＮＮ和ＳＶＭ分類器示意圖??

【參考文獻】：
期刊論文
[1]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)



本文編號：2983551