人臉識別一直以來都是人工智能領域一個研究熱點,隨著計算機與互聯(lián)網(wǎng)的發(fā)展,許多學者提出了高精度的人臉識別算法。這些算法大多是基于大量有標記樣本,并且默認分類錯誤的代價是相同的,然而這樣的設定在大多數(shù)現(xiàn)實場景中是難以滿足的。為了解決樣本標記稀缺時的代價敏感人臉識別問題,本文基于多粒度分類場景中廣泛應用的序貫三支決策理論,提出一個基于卷積神經(jīng)網(wǎng)絡的主動序貫三支決策模型。本文將序貫三支決策與主動學習策略結合用于解決動態(tài)增量人臉識別問題。首先,為了從圖片中提取出決策信息用于構造出不同層次的粒度,本文用深度卷積神經(jīng)網(wǎng)絡提取特征作為圖片的描述。其次,考慮到延遲決策應隨信息量增加而更不可接受,本文在序貫三支決策理論的基礎上提出了延遲決策代價隨信息量動態(tài)變化的動態(tài)邊界域思想。該思想更加符合人類思維模式,能夠使得序貫過程中邊界域快速縮小直至消失。最后,考慮到很多情況下,獲取足夠的有標記樣本是昂貴甚至是不可能的,因此采用主動學習方法選擇待標記樣本。受非極大值抑制思想的啟發(fā),本文提出了非極大值抑制不確定性采樣策略。本模型采用主動學習策略逐步獲取有標記圖片,構建了多級決策粒度,并綜合考慮決策代價和訓練代價選擇出...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 深度學習的研究現(xiàn)狀
        1.2.2 三支決策的研究現(xiàn)狀
        1.2.3 主動學習的研究現(xiàn)狀
    1.3 主要研究內容
        1.3.1 卷積神經(jīng)網(wǎng)絡的結構與選擇
        1.3.2 動態(tài)序貫三支決策
        1.3.3 主動學習的研究與改進
    1.4 章節(jié)安排
第二章 卷積神經(jīng)網(wǎng)絡的結構與選擇
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡結構
        2.2.1 卷積層
        2.2.2 非線性激活
        2.2.3 池化層
        2.2.4 分類層
    2.3 網(wǎng)絡模型選擇
    2.4 本章小結
第三章 動態(tài)序貫三支決策
    3.1 引言
    3.2 三支決策理論
    3.3 序貫三支決策模型
    3.4 動態(tài)序貫三支決策
    3.5 本章小結
第四章 主動學習的研究與改進
    4.1 引言
    4.2 基于池的主動學習
    4.3 樣本選擇策略
        4.3.1 不確定性采樣策略
        4.3.2 委員會投票策略
        4.3.3 信息密度策略
    4.4 基于非極大值抑制的選擇策略
        4.4.1 非極大值抑制
        4.4.2 選擇策略改進
    4.5 本章小結
第五章 基于主動學習的動態(tài)序貫三支決策模型
    5.1 引言
    5.2 模型的流程與設計
        5.2.1 模型流程
        5.2.2 代價計算方式
    5.3 實驗設計
        5.3.1 數(shù)據(jù)集介紹
        5.3.2 參數(shù)設定
    5.4 二支決策與三支決策結果分析
        5.4.1 決策代價
        5.4.2 總代價
        5.4.3 準確率
        5.4.4 邊界域
    5.5 主動學習策略性能分析
        5.5.1 決策代價
        5.5.2 樣本數(shù)
    5.6 本章小結
第六章 結論與展望
致謝
參考文獻
攻讀碩士學位期間發(fā)表的論文



本文編號：3871028