圖像分類作為計算機視覺研究領域最經(jīng)典的任務,近些年因為在醫(yī)學成像精確分類、商品圖片自動識別和色情暴力內(nèi)容有效鑒別等現(xiàn)實應用場景中具有重要應用價值而受到廣泛關注。伴隨著大數(shù)據(jù)時代的到來,深度神經(jīng)網(wǎng)絡在圖片分類任務中取得了優(yōu)異的成績。然而,在當前主流深度神經(jīng)網(wǎng)絡訓練中,所有的樣本處理都是平等的。實際上,由于在內(nèi)容和標注質量方面的差異,圖像必然有一定差別。因此,如何差異化處理圖像是精確圖像分類的關鍵。課程學習提出:在訓練過程中,應該針對樣本的難易,給予不一樣的訓練優(yōu)先級�？偟膩碚f,課程學習認為在訓練的前期應當學習簡單樣本,以捕捉樣本總體分布和學習通用特征;在訓練的后期應當學習困難樣本,以對決策邊界進行精細微調(diào)。具體實現(xiàn)不同任務的課程學習有兩個關鍵問題需要解決:第一、如何衡量樣本的難易,以及如何找到所謂的困難樣本和簡單樣本;第二、是如何實現(xiàn)所謂的課程,也就是如何設計不同樣本的優(yōu)先級。針對這兩個問題,本文結合圖像分類的任務特點,將課程學習的思路引入圖像分類任務中,主要內(nèi)容包括:在第二章中,本工作提出了更加精細化的樣本難易評判標準并實現(xiàn)了更加平滑的課程。由于大多數(shù)相關工作都是使用樣本的損失值來衡量... 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：50 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像分類
        1.2.2 課程學習
    1.3 本文主要研究內(nèi)容和工作安排
第二章 平衡損失課程學習
    2.1 引言
    2.2 相關工作
        2.2.1 教師-學生框架
        2.2.2 樣本重新加權
    2.3 課程學習從易到難的訓練框架
        2.3.1 動機
        2.3.2 模型方法
    2.4 實驗
        2.4.1 實驗設置
        2.4.2 實驗結果與分析
    2.5 本章小結
第三章 基于邊界樣本的課程學習
    3.1 引言
    3.2 相關工作
    3.3 邊界樣本生成課程學習
        3.3.1 知識蒸餾
        3.3.2 協(xié)同蒸餾
        3.3.3 生成對抗網(wǎng)絡
        3.3.4 訓練過程
    3.4 實驗
        3.4.1 實驗設定和數(shù)據(jù)集介紹
        3.4.2 結果與比較
    3.5 本章小節(jié)
第四章 總結與展望
    4.1 本文工作總結
    4.2 研究工作展望
參考文獻
攻讀碩士學位期間的學術活動及成果情況



本文編號：3178753