本文選題：圖像分類　切入點：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)的機器學(xué)習(xí)通常假設(shè)訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)分布相同,現(xiàn)實世界這種假設(shè)往往是不成立的。傳統(tǒng)的機器學(xué)習(xí)算法,不僅對數(shù)據(jù)的質(zhì)量要求非常高,需要對數(shù)據(jù)進行去噪、降維等預(yù)處理工作,而且需要人為設(shè)計模型提取數(shù)據(jù)的特征,當(dāng)樣本規(guī)模非常大時,會耗費大量的人力。在大數(shù)據(jù)時代,面臨著不同來源的多樣性的數(shù)據(jù)集,如何將多個源域?qū)W習(xí)到的知識應(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)的共識正則化框架,適用于從多個源域到目標(biāo)域的遷移學(xué)習(xí)。在這個框架中,每個源域采用多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練模型,將每個源域視為一個任務(wù),并行學(xué)習(xí)多個任務(wù)不僅能提高算法的效率,而且多個任務(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)練得到的模型對這個源域數(shù)據(jù)的預(yù)測,使得其它源域得到的模型與這個源域訓(xùn)練模型的預(yù)測保持一致。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,通過實驗驗證了這種學(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)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP181

【相似文獻】

相關(guān)期刊論文 前10條

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

2 趙海延;纖程及其實現(xiàn)多任務(wù)的方法[J];科技進步與對策;2003年S1期

3 馬曉晨,李進普;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;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)用模式實驗開發(fā)[J];現(xiàn)代計算機(專業(yè)版);2011年19期

5 張玉霞;企業(yè)管理信息系統(tǒng)中的實時多任務(wù)實現(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;實時多任務(wù)嵌入系統(tǒng)的實現(xiàn)[J];計算機應(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;單片微機多任務(wù)編程[J];微型機與應(yīng)用;1997年09期

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

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

相關(guān)會議論文 前5條

1 李光先;陸陽;;應(yīng)用UC/OS-Ⅱ設(shè)計嵌入式實時多任務(wù)軟件[A];全國第13屆計算機輔助設(shè)計與圖形學(xué)（CAD/CG）學(xué)術(shù)會議論文集[C];2004年

2 李惠林;謝慶生;殷國富;牛鳴岐;;基于ASP平臺的多任務(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)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

3 劉鐵銳;張志遠;;Windows下數(shù)值計算中多任務(wù)的實現(xiàn)[A];計算機技術(shù)在工程建設(shè)中的應(yīng)用——第十二屆全國工程建設(shè)計算機應(yīng)用學(xué)術(shù)會議論文集[C];2004年

4 陳光強;楊樹強;張曉輝;李潤恒;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)研究與實現(xiàn)[A];第15屆全國信息存儲技術(shù)學(xué)術(shù)會議論文集[C];2008年

5 張強;;鋼廠天車多機多任務(wù)的動態(tài)調(diào)度模型研究[A];中國計量協(xié)會冶金分會2011年會論文集[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;自動測試軟件開發(fā)運行平臺多任務(wù)并行機制的研究與實現(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)委托代理的工程項目承包商激勵機制研究[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[D];遼寧科技大學(xué);2016年

5 謝昌宏;基于LabWindows/CVI的雷達接收/發(fā)射模塊自動測試系統(tǒng)多任務(wù)實現(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現(xiàn)[D];大連理工大學(xué);2016年

7 李怡;移動互聯(lián)用戶在多任務(wù)行為中的新聞記憶[D];南京大學(xué);2016年

8 王蕓穎;長期媒介多任務(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：1644095