本文選題：圖像分類　切入點(diǎn)：跨源域?qū)W習(xí)　出處：《北京交通大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：傳統(tǒng)的機(jī)器學(xué)習(xí)通常假設(shè)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)分布相同,現(xiàn)實(shí)世界這種假設(shè)往往是不成立的。傳統(tǒng)的機(jī)器學(xué)習(xí)算法,不僅對(duì)數(shù)據(jù)的質(zhì)量要求非常高,需要對(duì)數(shù)據(jù)進(jìn)行去噪、降維等預(yù)處理工作,而且需要人為設(shè)計(jì)模型提取數(shù)據(jù)的特征,當(dāng)樣本規(guī)模非常大時(shí),會(huì)耗費(fèi)大量的人力。在大數(shù)據(jù)時(shí)代,面臨著不同來源的多樣性的數(shù)據(jù)集,如何將多個(gè)源域?qū)W習(xí)到的知識(shí)應(yīng)用于目標(biāo)域是當(dāng)前跨領(lǐng)域?qū)W習(xí)研究的問題之一。通常不同源域的數(shù)據(jù)具有類間及類內(nèi)的相關(guān)性,并且這些源域數(shù)據(jù)的分布不同,融合各源域之間的類內(nèi)及類間的相關(guān)性以及其分布差異性建立適用于目標(biāo)域的分類模型具有重要的意義。本文提出了基于多任務(wù)深度學(xué)習(xí)的共識(shí)正則化框架,適用于從多個(gè)源域到目標(biāo)域的遷移學(xué)習(xí)。在這個(gè)框架中,每個(gè)源域采用多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練模型,將每個(gè)源域視為一個(gè)任務(wù),并行學(xué)習(xí)多個(gè)任務(wù)不僅能提高算法的效率,而且多個(gè)任務(wù)是相關(guān)的,任務(wù)間相互約束,使得算法具有更好的分類性能�？缭从蜷g的任務(wù),通過引入一致性正則化項(xiàng)優(yōu)化分類模型,使得各源域訓(xùn)練得到的模型不僅要考慮這個(gè)源域內(nèi)的數(shù)據(jù)特性,也要考慮其它源域訓(xùn)練得到的模型對(duì)這個(gè)源域數(shù)據(jù)的預(yù)測(cè),使得其它源域得到的模型與這個(gè)源域訓(xùn)練模型的預(yù)測(cè)保持一致。此外,本文提供了基于多任務(wù)深度學(xué)習(xí)的共識(shí)正則化框架的理論分析,并將此算法應(yīng)用于圖像分類領(lǐng)域,通過實(shí)驗(yàn)驗(yàn)證了這種學(xué)習(xí)方法的有效性。
[Abstract]:The traditional machine learning algorithm usually assumes that the training data are distributed the same as the test data, but this assumption is often not true in the real world. The traditional machine learning algorithm not only requires very high quality of the data, but also needs to de-noise the data. Dimensionality reduction and other preprocessing work, and the need to artificially design models to extract data features, when the sample size is very large, will cost a lot of manpower. In big data's time, faced with a diversity of different sources of data sets, How to apply the knowledge learned from multiple source domains to the target domain is one of the current problems in cross-domain learning. The data of different homologous domains usually have inter-class and intra-class correlations, and the distribution of these data is different. It is important to establish a classification model suitable for the target domain by combining the intra-class and inter-class correlations among the source domains and their distribution differences. In this paper, a consensus regularization framework based on multi-task in-depth learning is proposed. In this framework, each source domain uses a multi-task in-depth learning network training model to treat each source domain as a task. Learning multiple tasks in parallel can not only improve the efficiency of the algorithm, but also improve the efficiency of the algorithm. Moreover, many tasks are related, and the tasks are constrained each other, which makes the algorithm have better classification performance. By introducing the consistent regularization term to optimize the classification model, the cross-source tasks are optimized. The models obtained by each source domain training should not only consider the data characteristics in this source domain, but also consider the prediction of the source domain data obtained by other source domain training models. In addition, this paper provides a theoretical analysis of consensus regularization framework based on multi-task depth learning, and applies this algorithm to image classification. The effectiveness of this learning method is verified by experiments.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張立群,張敬,葛佳維;實(shí)時(shí)多任務(wù)監(jiān)督控制程序[J];齊齊哈爾師范學(xué)院學(xué)報(bào)(自然科學(xué)版);1997年03期

2 趙海延;纖程及其實(shí)現(xiàn)多任務(wù)的方法[J];科技進(jìn)步與對(duì)策;2003年S1期

3 馬曉晨,李進(jìn)普;使用輪循技術(shù)開發(fā)支持多任務(wù)的控制程序[J];承德石油高等�？茖W(xué)校學(xué)報(bào);2004年01期

4 范策;李暢;黃紅桃;許憲成;;操作系統(tǒng)多任務(wù)應(yīng)用模式實(shí)驗(yàn)開發(fā)[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2011年19期

5 張玉霞;企業(yè)管理信息系統(tǒng)中的實(shí)時(shí)多任務(wù)實(shí)現(xiàn)[J];吉林電力技術(shù);1996年06期

6 夏旭豐,丁文杰,朱善君,孫新亞,李迎春;實(shí)時(shí)多任務(wù)嵌入系統(tǒng)的實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用研究;2003年09期

7 卓明敏;;模擬多任務(wù)編程[J];福建電腦;2007年10期

8 嚴(yán)殊;單片微機(jī)多任務(wù)編程[J];微型機(jī)與應(yīng)用;1997年09期

9 雷航;基于任務(wù)鏈的實(shí)時(shí)多任務(wù)軟件可靠性建模[J];電子科技大學(xué)學(xué)報(bào);2004年02期

10 王永亮;李秀娟;;嵌入式多任務(wù)程序設(shè)計(jì)[J];電子科技;2010年01期

相關(guān)會(huì)議論文 前5條

1 李光先;陸陽;;應(yīng)用UC/OS-Ⅱ設(shè)計(jì)嵌入式實(shí)時(shí)多任務(wù)軟件[A];全國(guó)第13屆計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)（CAD/CG）學(xué)術(shù)會(huì)議論文集[C];2004年

2 李惠林;謝慶生;殷國(guó)富;牛鳴岐;;基于ASP平臺(tái)的多任務(wù)資源分配決策的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國(guó)家——2006中國(guó)科協(xié)年會(huì)論文集（下冊(cè)）[C];2006年

3 劉鐵銳;張志遠(yuǎn);;Windows下數(shù)值計(jì)算中多任務(wù)的實(shí)現(xiàn)[A];計(jì)算機(jī)技術(shù)在工程建設(shè)中的應(yīng)用——第十二屆全國(guó)工程建設(shè)計(jì)算機(jī)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2004年

4 陳光強(qiáng);楊樹強(qiáng);張曉輝;李潤(rùn)恒;賈焰;;面向海量文本數(shù)據(jù)的多任務(wù)并行調(diào)度加載技術(shù)研究與實(shí)現(xiàn)[A];第15屆全國(guó)信息存儲(chǔ)技術(shù)學(xué)術(shù)會(huì)議論文集[C];2008年

5 張強(qiáng);;鋼廠天車多機(jī)多任務(wù)的動(dòng)態(tài)調(diào)度模型研究[A];中國(guó)計(jì)量協(xié)會(huì)冶金分會(huì)2011年會(huì)論文集[C];2011年

相關(guān)博士學(xué)位論文 前1條

1 孔吉;關(guān)聯(lián)多任務(wù)MPSoC數(shù)據(jù)系統(tǒng)關(guān)鍵技術(shù)研究[D];上海交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 馬鈺;自動(dòng)測(cè)試軟件開發(fā)運(yùn)行平臺(tái)多任務(wù)并行機(jī)制的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2015年

2 王成;大學(xué)生互聯(lián)網(wǎng)使用中的多任務(wù)行為研究[D];南京大學(xué);2014年

3 張家旺;基于多任務(wù)委托代理的工程項(xiàng)目承包商激勵(lì)機(jī)制研究[D];南京大學(xué);2016年

4 于顯龍;面向多任務(wù)大容量可追溯現(xiàn)鈔處理系統(tǒng)的研究與設(shè)計(jì)[D];遼寧科技大學(xué);2016年

5 謝昌宏;基于LabWindows/CVI的雷達(dá)接收/發(fā)射模塊自動(dòng)測(cè)試系統(tǒng)多任務(wù)實(shí)現(xiàn)[D];電子科技大學(xué);2016年

6 周耀穎;Mac系統(tǒng)下多任務(wù)錄屏軟件的研究與實(shí)現(xiàn)[D];大連理工大學(xué);2016年

7 李怡;移動(dòng)互聯(lián)用戶在多任務(wù)行為中的新聞?dòng)洃沎D];南京大學(xué);2016年

8 王蕓穎;長(zhǎng)期媒介多任務(wù)與創(chuàng)造力之間的關(guān)系研究[D];華東師范大學(xué);2017年

9 廖茹;面向多源圖像數(shù)據(jù)的多任務(wù)學(xué)習(xí)方法的研究[D];北京交通大學(xué);2017年

10 許金友;基于改進(jìn)DPSO算法的多任務(wù)并行聯(lián)盟生成研究[D];大連理工大學(xué);2009年

，

本文編號(hào)：1644095