隨著人工智能的興起,深度學(xué)習(xí)方法在許多人工智能任務(wù)中取得了顯著的效果。但是深度模型訓(xùn)練需要大規(guī)模的數(shù)據(jù)集,并且模型收斂緩慢。相比之下,人類視覺(jué)系統(tǒng)能夠在僅觀察一個(gè)或幾個(gè)實(shí)例之后識(shí)別新物體。人類視覺(jué)系統(tǒng)與深度學(xué)習(xí)模型之間的這種顯著差距引起了對(duì)小樣本學(xué)習(xí)的研究興趣。小樣本學(xué)習(xí)的目的是構(gòu)建一個(gè)好的分類模型,使其在每個(gè)類只有少量標(biāo)注樣本時(shí)也能夠具有較好的分類效果。目前在小樣本領(lǐng)域產(chǎn)生了許多優(yōu)秀的解決方法,其中基于度量學(xué)習(xí)的小樣本方法由于簡(jiǎn)單有效而被廣泛使用,它首先通過(guò)特征網(wǎng)絡(luò)學(xué)習(xí)樣本的特征向量,然后在特征空間內(nèi)尋找測(cè)試樣本的最近鄰預(yù)測(cè)分類。本文在使用度量學(xué)習(xí)思想的基礎(chǔ)上,進(jìn)一步提出了改進(jìn)的特征網(wǎng)絡(luò)和度量方式,能夠有效地處理小樣本學(xué)習(xí)任務(wù),主要研究?jī)?nèi)容如下:1.闡述了小樣本學(xué)習(xí)任務(wù)的基本形式和相關(guān)方法。針對(duì)小樣本學(xué)習(xí)系統(tǒng)性的介紹了其問(wèn)題定義及任務(wù)形式,然后詳細(xì)介紹了小樣本學(xué)習(xí)領(lǐng)域的相關(guān)方法。包括基于數(shù)據(jù)增強(qiáng)的方法,基于元學(xué)習(xí)的方法以及基于度量學(xué)習(xí)的方法,其中元學(xué)習(xí)方法又被詳細(xì)劃分為基于記憶的方法和基于優(yōu)化的方法,本文對(duì)各類方法的核心思想進(jìn)行了詳細(xì)介紹及優(yōu)缺點(diǎn)分析。2.基于度量學(xué)習(xí)方法提出標(biāo)簽特征... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省211工程院校教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
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 研究?jī)?nèi)容及安排
第二章 小樣本學(xué)習(xí)基礎(chǔ)
    2.1 引言
    2.2 小樣本學(xué)習(xí)概述
        2.2.1 網(wǎng)絡(luò)模型結(jié)構(gòu)
        2.2.2 模型訓(xùn)練及優(yōu)化
    2.3 小樣本學(xué)習(xí)基本方法
        2.3.1 基于數(shù)據(jù)增強(qiáng)的方法
        2.3.2 基于元學(xué)習(xí)的方法
        2.3.3 度量學(xué)習(xí)方法
    2.4 本章小結(jié)
第三章 標(biāo)簽特征網(wǎng)絡(luò)的小樣本學(xué)習(xí)
    3.1 引言
    3.2 標(biāo)簽特征網(wǎng)絡(luò)
        3.2.1 特征網(wǎng)絡(luò)構(gòu)建
        3.2.2 標(biāo)簽特征構(gòu)建
        3.2.3 混合正則損失函數(shù)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 結(jié)果分析
    3.4 本章小結(jié)
第四章 跨尺度度量無(wú)關(guān)網(wǎng)絡(luò)的小樣本學(xué)習(xí)
    4.1 引言
    4.2 跨尺度度量無(wú)關(guān)網(wǎng)絡(luò)
        4.2.1 跨尺度特征模塊
        4.2.2 相似性度量
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 結(jié)果分析
    4.4 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)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況


【參考文獻(xiàn)】：
期刊論文
[1]神經(jīng)機(jī)器翻譯綜述[J]. 李亞超,熊德意,張民.  計(jì)算機(jī)學(xué)報(bào). 2018(12)
[2]基于深度卷積特征的細(xì)粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動(dòng)化學(xué)報(bào). 2017(08)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)研究綜述[J]. 李旭冬,葉茂,李濤.  計(jì)算機(jī)應(yīng)用研究. 2017(10)
[4]小樣本的類人概念學(xué)習(xí)與大數(shù)據(jù)的深度強(qiáng)化學(xué)習(xí)[J]. 陳孝良.  科技導(dǎo)報(bào). 2016(07)
[5]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)



本文編號(hào)：3633441