近年來,深度學習算法被廣泛應(yīng)用于各個領(lǐng)域,然而,大規(guī)模的帶有標簽信息的數(shù)據(jù)是該類算法取得良好性能的前提條件。眾所周知,標注大量數(shù)據(jù)的成本是極其昂貴的,因而該前提條件不易被滿足。值得慶幸的是,現(xiàn)實中存在大量已標注的和目標任務(wù)中數(shù)據(jù)相關(guān)的數(shù)據(jù)集,那么,如何利用已有的帶標注數(shù)據(jù),在目標任務(wù)中數(shù)據(jù)沒有標簽信息的情況下,建立深度學習模型以減小標注數(shù)據(jù)的成本,成為當下研究的熱點。本文針對目標域數(shù)據(jù)標簽不足的問題,考慮到生成對抗網(wǎng)絡(luò)可以生成符合真實分布數(shù)據(jù)的特性,于是,將該網(wǎng)絡(luò)擴展到遷移學習領(lǐng)域。將帶標簽的源域數(shù)據(jù)作為生成器網(wǎng)絡(luò)的輸入,無標簽的目標域數(shù)據(jù)作為判別器網(wǎng)絡(luò)的輸入,通過生成對抗損失以及設(shè)計的邊緣結(jié)構(gòu)損失控制生成器網(wǎng)絡(luò)的輸出,從而完成目標任務(wù)。具體的貢獻如下:（1）本文提出了基于素描標注信息的生成對抗網(wǎng)絡(luò)遷移學習方法。首先,通過由初始素描圖得到的邊緣標注圖去訓練端到端的基于素描標注信息的邊緣分割網(wǎng)絡(luò),省去人工標注圖像邊緣標簽的成本;其次,利用該邊緣分割網(wǎng)絡(luò)提取到的圖像邊緣信息,設(shè)計邊緣結(jié)構(gòu)損失,對源域圖像和其經(jīng)過生成器網(wǎng)絡(luò)的輸出圖像進行結(jié)構(gòu)約束,使生成器網(wǎng)絡(luò)輸出和源域圖像結(jié)構(gòu)相似、符合目標域... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

Horseriding及其對應(yīng)初始素描圖

23(a) MNIST (b) USPS (c) SVHN圖2.4 數(shù)字數(shù)據(jù)集SVHN→MNIST.由圖 2.4 可以看出，這兩個數(shù)據(jù)集間擁有較大的分布差異，SVHN是擁有三通道的彩色圖片，是拍攝的真實場景的門牌號，且圖像內(nèi)的干擾信息較多，每張圖片里可能出現(xiàn)不止一個數(shù)字，而圖像的類別標簽卻只有一個，由處于最中間的數(shù)字決定。由于 SVHN 數(shù)據(jù)集的這個特性，導致在該數(shù)據(jù)集上的遷移難度也較大。SVHN 圖片的大小為 32 32，實驗中，使用整個訓練集（有標記的 73257 張 SVHN圖像和沒有標記的 60000 張 MNIST 圖像）來訓練本章的模型，并評估目標域 MNIST數(shù)據(jù)集的分類準確率。2.5.2 實驗設(shè)置在MNIST USPS數(shù)據(jù)集的實驗中，本文將 USPS 的數(shù)字調(diào)整為 28 28 像素

(c) MNIST 邊緣概率圖 (d) MNIST 邊緣分割圖圖2.5 MNIST 邊緣分割網(wǎng)絡(luò)結(jié)果圖圖 2.5 以及圖 2.6 的結(jié)果可以看出，基于素描標注信息的邊緣分割網(wǎng)絡(luò) 可圖像的邊緣進行提取，該網(wǎng)絡(luò)是通過源域數(shù)據(jù)及其對應(yīng)邊緣標注圖進行訓

【參考文獻】：
期刊論文
[1]生成式對抗網(wǎng)絡(luò)GAN的研究進展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學報. 2017(03)

博士論文
[1]遷移學習問題與方法研究[D]. 龍明盛.清華大學 2014



本文編號：3609023