發(fā)布時間：2020-05-09 21:35

【摘要】：目標(biāo)的分類與檢索是機器學(xué)習(xí)研究的基本應(yīng)用之一,許多實際中的任務(wù)都能被視作分類和檢索任務(wù)來解決。由于深度學(xué)習(xí)技術(shù)的突破,基于大規(guī)模有標(biāo)記樣本和大容量的神經(jīng)網(wǎng)絡(luò)的方法在許多監(jiān)督學(xué)習(xí)任務(wù)中的性能極大地超越了很多傳統(tǒng)的方法。但是,這種監(jiān)督分類方法需要足夠的有標(biāo)記樣本,并且學(xué)習(xí)到的分類器不能擴展到訓(xùn)練集中沒有的類別,從而也極大的限制了它的應(yīng)用場景。在許多的應(yīng)用中,有些類別可能缺乏足夠多的訓(xùn)練樣本或者甚至沒有訓(xùn)練樣本。當(dāng)給定的樣本實例是訓(xùn)練集中沒有的類別時,這種問題就是一種零樣本學(xué)習(xí)的問題。近些年來,零樣本學(xué)習(xí)的研究逐漸成為熱點,本文主要研究這種零樣本學(xué)習(xí)場景下的圖像的分類和檢索問題。通過對基于語義-視覺關(guān)系映射模型的零樣本學(xué)習(xí)方法進行研究和分析,本文提出了一種基于中間空間分類的零樣本學(xué)習(xí)方法,該方法有效地緩解了零樣本學(xué)習(xí)中所遭遇的投影域偏移、空間缺乏判別性等問題,在圖像分類的分類和檢索任務(wù)上都取得了很高的性能。本文的主要工作和貢獻如下:首先,本文提出了一種零樣本學(xué)習(xí)方法,為了構(gòu)建一個具有足夠判別性的中間空間,本文使用了一種聯(lián)合學(xué)習(xí)的方法,不同空間的信息能夠通過中間空間的表示和對應(yīng)的基矩陣得到恢復(fù),并且中間空間通過對應(yīng)的標(biāo)簽信息進行監(jiān)督具有了足夠的判別性。其次,考慮到不同空間的信息可能具有互補性,本文考慮多種空間的信息進行分類,相似性空間和融合空間有較大的差異,本文將構(gòu)造的相似性表示和融合空間的表示進行結(jié)合,進一步提高了性能。最后,本論文進行了更加全面的實驗比較,包括基于屬性的零樣本分類實驗、基于詞向量的零樣本分類實驗以及零樣本檢索實驗,并對實驗結(jié)果進行了分析。
【圖文】：

圖 2.1 遷移學(xué)習(xí)的基本框架 語義信息與視覺特征.1 語義信息語義通常是描述一類目標(biāo)的高級或中級的概念，早期的一些[25],[26]工作是利語義特征使圖像的檢索或分類任務(wù)更加魯棒。Nikhil 等[27]引入了一種基于像檢索方法，將圖像按照視覺概念的詞匯進行標(biāo)記并構(gòu)建檢索系統(tǒng)實現(xiàn)了好的精度。在零樣本學(xué)習(xí)中，語義信息作為一種必要的信息用于知識的遷信息有通過人工標(biāo)注而得到的屬性特征，還有基于大數(shù)據(jù)學(xué)習(xí)得到的詞向及類別層級結(jié)構(gòu)等，，下面分別進行介紹。屬性特征人類有能力通過高層級的描述來識別新的類別，例如通過句子“體型巨大的鼻子動物”，我們就能可靠地識別出大象。在該例子中，“巨大”、“灰色”，“等都是一些視覺上的信息，有些是大象所特有的特征，而有些則是許多動物

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文屬性為了人類標(biāo)注的方便，一般都需要具有可解釋性以便標(biāo)注者能夠通過對應(yīng)的目標(biāo)判斷是否該目標(biāo)含有某個屬性。這也限制了屬性這種語義信息本身的可擴展性。圖 2.2 AwA 數(shù)據(jù)集中連續(xù)屬性與類別的關(guān)系圖給出了 AwA 數(shù)據(jù)集類別與屬性的對應(yīng)關(guān)系，該數(shù)據(jù)集包含 50 類的樣本，每個類標(biāo)注了 85 維的屬性向量，中其中橫軸表示的是每一維的屬性，縱軸表示樣本的類別，圖中給出的是連續(xù)屬性標(biāo)注的結(jié)果。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP181;TP391.3

【相似文獻】

相關(guān)期刊論文 前10條

1 余游;馮林;王格格;徐其鳳;;一種基于深度網(wǎng)絡(luò)的少樣本學(xué)習(xí)方法[J];小型微型計算機系統(tǒng);2019年11期

2 吳凡;王康;;基于屬性平衡正則化的深度零樣本學(xué)習(xí)[J];計算機應(yīng)用與軟件;2018年10期

3 余游;馮林;王格格;徐其鳳;;一種基于偽標(biāo)簽的半監(jiān)督少樣本學(xué)習(xí)模型[J];電子學(xué)報;2019年11期

4 潘潔珠;周曉;吳共慶;胡學(xué)鋼;;基于小樣本學(xué)習(xí)的垃圾郵件過濾方法[J];計算機工程;2010年21期

5 冀中;謝于中;龐彥偉;;基于典型相關(guān)分析和距離度量學(xué)習(xí)的零樣本學(xué)習(xí)[J];天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版);2017年08期

6 李敏丹;沈曄;章東平;殷海兵;;基于混合類別標(biāo)記新技術(shù)的小樣本學(xué)習(xí)算法[J];浙江大學(xué)學(xué)報(工學(xué)版);2016年01期

7 陳洪,鄭南寧,徐迎慶,沈向洋;基于樣本學(xué)習(xí)的人像線條畫生成系統(tǒng)[J];軟件學(xué)報;2003年02期

8 李新葉;龍慎鵬;;基于度量方式不可知的少量樣本的一次性面部識別[J];電腦編程技巧與維護;2020年01期

9 彭光金;俞集輝;韋俊濤;楊光;;特征提取和小樣本學(xué)習(xí)的電力工程造價預(yù)測模型[J];重慶大學(xué)學(xué)報;2009年09期

10 吳信才,王小睿;基于彩色地圖的交互式矢量化方法[J];小型微型計算機系統(tǒng);1998年05期

相關(guān)會議論文 前2條

1 陳建智;陳建構(gòu);薛玉美;張哲榮;利德江;;使用基于模糊分群法之資訊擴散技術(shù)求解小樣本學(xué)習(xí)問題[A];第25屆全國灰色系統(tǒng)會議論文集[C];2014年

2 潘世瑞;張陽;李雪;王勇;;針對不確定正例和未標(biāo)記學(xué)習(xí)的最近鄰算法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集A輯二[C];2010年

相關(guān)重要報紙文章 前2條

1 黃淵普;五個樣本學(xué)習(xí)美國生鮮電商運作[N];中國食品報;2013年

2 河南省軍區(qū) 李光輝;讓書本和“樣本”對接起來[N];解放軍報;2019年

相關(guān)博士學(xué)位論文 前2條

1 李亞南;零樣本學(xué)習(xí)關(guān)鍵技術(shù)研究[D];浙江大學(xué);2018年

2 陶大鵬;高維問題中的小樣本學(xué)習(xí)[D];華南理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 魏杰;零樣本學(xué)習(xí)中的細粒度圖像分類研究[D];廣東工業(yè)大學(xué);2019年

2 聶金龍;基于度量學(xué)習(xí)的小樣本學(xué)習(xí)研究[D];大連理工大學(xué);2019年

3 林嬌嬌;基于Res-Gan網(wǎng)絡(luò)的零樣本學(xué)習(xí)研究[D];大連理工大學(xué);2019年

4 劉志豪;基于多域特征融合的零樣本分類與檢索算法研究[D];華中科技大學(xué);2019年

5 馬佳炯;基于零樣本學(xué)習(xí)的舌苔體質(zhì)識別[D];華南理工大學(xué);2019年

6 譚學(xué)仕;基于雙模態(tài)字典的零樣本潛在空間映射方法及零樣本的對抗生成[D];華南理工大學(xué);2019年

7 王潔欣;基于零樣本學(xué)習(xí)的圖像分類研究[D];上海交通大學(xué);2018年

8 周翔;基于深度生成模型的零樣本學(xué)習(xí)[D];電子科技大學(xué);2019年

9 王陽;零樣本學(xué)習(xí)方法及其應(yīng)用研究[D];南京理工大學(xué);2019年

10 魯亞男;基于反向預(yù)測的零樣本學(xué)習(xí)[D];中國科學(xué)技術(shù)大學(xué);2018年

本文編號：2656773