發(fā)布時(shí)間：2021-07-03 07:00

　　隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,每天都會(huì)產(chǎn)生大量的數(shù)據(jù),為了較好地利用這些數(shù)據(jù)進(jìn)行分類,標(biāo)注工作必不可少。然而,一方面,我們不可能由人工對(duì)所有數(shù)據(jù)進(jìn)行標(biāo)注,否則會(huì)費(fèi)時(shí)費(fèi)力;另一方面,人們希望學(xué)到的模型不僅能在新樣本上具有泛化能力,而且對(duì)新類別也能進(jìn)行識(shí)別,這就要求遇到新類別時(shí),模型不必重新訓(xùn)練就可以對(duì)未知類別進(jìn)行分類。因此,如何訓(xùn)練一個(gè)對(duì)未知類別仍能識(shí)別的模型,即零樣本學(xué)習(xí),吸引了大批專家和學(xué)者的關(guān)注。語(yǔ)義嵌入模型和公共空間嵌入模型是零樣本學(xué)習(xí)領(lǐng)域比較經(jīng)典的兩個(gè)研究方向,前者旨在學(xué)習(xí)視覺(jué)特征空間和語(yǔ)義特征空間之間的映射,后者旨在學(xué)習(xí)視覺(jué)特征空間到公共空間和語(yǔ)義特征空間到公共空間的映射。然而,這兩類方法卻普遍忽略了數(shù)據(jù)中潛在的低秩結(jié)構(gòu),并且度量方式不夠魯棒,本文對(duì)這一問(wèn)題做了深度研究,內(nèi)容如下:1、語(yǔ)義自編碼器（SAE）是一種有效的零樣本學(xué)習(xí)方法,屬于語(yǔ)義嵌入模型。該模型在線性自編碼器的基礎(chǔ)上引入語(yǔ)義信息,通過(guò)最小化重構(gòu)誤差,解決零樣本圖像分類問(wèn)題。然而,該模型卻忽略了數(shù)據(jù)中潛在的低秩結(jié)構(gòu),使得學(xué)到的投影無(wú)法捕捉到樣本的判別性信息。另外,SAE使用F范數(shù)的平方來(lái)度量重構(gòu)誤差,一方面,該范數(shù)對(duì)噪聲或... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容及安排
第二章 零樣本學(xué)習(xí)綜述
    2.1 語(yǔ)義表示
    2.2 主要研究方向
        2.2.1 貝葉斯模型
        2.2.2 語(yǔ)義嵌入模型
        2.2.3 公共空間嵌入模型
        2.2.4 深度嵌入模型
    2.3 評(píng)價(jià)準(zhǔn)則
        2.3.1 零樣本學(xué)習(xí)任務(wù)評(píng)價(jià)準(zhǔn)則
        2.3.2 廣義零樣本學(xué)習(xí)任務(wù)評(píng)價(jià)準(zhǔn)則
    2.4 存在的問(wèn)題
        2.4.1 投影領(lǐng)域漂移問(wèn)題
        2.4.2 樞紐點(diǎn)問(wèn)題
    2.5 常用的屬性數(shù)據(jù)集
        2.5.1 SUN數(shù)據(jù)集
        2.5.2 CUB數(shù)據(jù)集
        2.5.3 AWA1數(shù)據(jù)集
        2.5.4 AWA2數(shù)據(jù)集
        2.5.5 a PY數(shù)據(jù)集
        2.5.6 Im Net數(shù)據(jù)集
    2.6 本章小結(jié)
第三章 魯棒語(yǔ)義自編碼器
    3.1 概述
    3.2 相關(guān)工作
        3.2.1 語(yǔ)義自編碼器
        3.2.2 低秩回歸模型
    3.3 魯棒語(yǔ)義自編碼器
    3.4 模型分析
    3.5 算法流程
    3.6 分類方法
    3.7 零樣本分類實(shí)驗(yàn)
        3.7.1 零樣本學(xué)習(xí)任務(wù)
        3.7.2 廣義零樣本學(xué)習(xí)任務(wù)
        3.7.3 混淆矩陣實(shí)驗(yàn)
        3.7.4 語(yǔ)義特征空間的二維投影實(shí)驗(yàn)
        3.7.5 收斂性分析
    3.8 本章小結(jié)
第四章 標(biāo)簽空間激活模型
    4.1 概述
    4.2 標(biāo)簽空間激活框架及模型
    4.3 分類方法
    4.4 零樣本分類實(shí)驗(yàn)
        4.4.1 零樣本學(xué)習(xí)任務(wù)
        4.4.2 廣義零樣本學(xué)習(xí)任務(wù)
        4.4.3 混淆矩陣實(shí)驗(yàn)
        4.4.4 標(biāo)簽空間的二維投影實(shí)驗(yàn)
        4.4.5 收斂性分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于局部保持典型相關(guān)分析的零樣本動(dòng)作識(shí)別[J]. 冀中,郭威辰.  天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版). 2017(09)
[2]基于混合屬性的零樣本圖像分類[J]. 程玉虎,喬雪,王雪松.  電子學(xué)報(bào). 2017(06)
[3]基于共享特征相對(duì)屬性的零樣本圖像分類[J]. 喬雪,彭晨,段賀,張鈺堯.  電子與信息學(xué)報(bào). 2017(07)
[4]基于屬性關(guān)系圖正則化特征選擇的零樣本分類[J]. 鞏萍,程玉虎,王雪松.  中國(guó)礦業(yè)大學(xué)學(xué)報(bào). 2015(06)



本文編號(hào)：3262112