圖像分類是計算機視覺領(lǐng)域中很常見的學習任務(wù),傳統(tǒng)的圖像分類任務(wù)要求有大量的帶有標記的數(shù)據(jù)來訓練模型,但是圖像標注需要花費一定的時間和人力,在實際應(yīng)用中,有些時候需要對一些不常見或者未出現(xiàn)過的類別進行分類。當帶有標記的圖像數(shù)量較少,利用傳統(tǒng)的圖像分類模型無法取得滿意效果的時候,可以借助遷移學習的思想利用相關(guān)領(lǐng)域中的帶有標記的數(shù)據(jù),即源域數(shù)據(jù)來輔助目標域進行分類。遷移學習中,源域和目標域存在著一定的差異,如何在遷移學習中減小源域和目標域的差異,利用源域中帶有標記的數(shù)據(jù)來輔助目標域進行分類是本文研究的重點。首先,本文研究了遷移學習中無監(jiān)督域適應(yīng)問題,針對源域和目標域概率分布不一致,差異較大問題,提出同時適配源域和目標域邊緣概率分布和條件概率分布的遷移學習方法,并且在適配過程中分別給予二者不同的權(quán)重系數(shù),同時,在適配過程中進行類別判別特征學習,具體的在特征空間當中約束同一個類別樣本之間的距離最小化,不同類別樣本之間的距離最大化,從而提高分類性能。其次,本文研究了遷移學習中的半監(jiān)督深度域適應(yīng)問題,針對域適應(yīng)中目標域樣本數(shù)量較少且部分樣本帶有標記的情況,提出利用類別語義遷移的方法進行半監(jiān)督域適應(yīng)學...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 論文研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作和章節(jié)安排
第二章 相關(guān)知識介紹
    2.1 遷移學習和零樣本學習
    2.2 遷移成分分析
    2.3 VGG網(wǎng)絡(luò)模型
    2.4 語義學習
第三章 基于數(shù)據(jù)分布自適應(yīng)和類別判別特征學習的圖像分類算法研究
    3.1 引言
    3.2 數(shù)據(jù)分布自適應(yīng)
        3.2.1 問題定義
        3.2.2 聯(lián)合數(shù)據(jù)分布自適應(yīng)過程
    3.3 類別判別特征學習
    3.4 實驗部分
        3.4.1 數(shù)據(jù)集說明
        3.4.2 實驗設(shè)置
        3.4.3 實驗結(jié)果和分析
    3.5 本章小結(jié)
第四章 基于類別語義遷移的半監(jiān)督域適應(yīng)研究
    4.1 引言
    4.2 半監(jiān)督深度域適應(yīng)模型
        4.2.1 問題定義
        4.2.2 半監(jiān)督深度域適應(yīng)模型
    4.3 實驗部分
        4.3.1 實驗設(shè)置
        4.3.2 實驗結(jié)果和分析
    4.4 本章小結(jié)
第五章 基于深度嵌入模型的零樣本圖像分類研究
    5.1 引言
    5.2 深度嵌入模型學習
    5.3 實驗部分
        5.3.1 數(shù)據(jù)集說明
        5.3.2 實驗設(shè)置
        5.3.3 實驗結(jié)果對比分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻
致謝
作者簡介



本文編號：3874787