目前深度神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于眾多機器學習任務(wù),并展現(xiàn)出了驚人的性能提升效果。然而,傳統(tǒng)機器學習算法假定訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)服從的是同一分布,而這種假設(shè)在實際應(yīng)用中往往是不成立的。如果訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的分布差異很大,那么由傳統(tǒng)機器學習算法所訓(xùn)練出來的分類器的性能將會大大降低。領(lǐng)域自適應(yīng)學習就是關(guān)于如何將分類器從源域(訓(xùn)練場景)適配到目標域(測試場景)的問題。它可以有效地提取兩個領(lǐng)域的領(lǐng)域不變特征,從而提高最終的分類準確率。因此本文就針對基于圖像識別的領(lǐng)域自適應(yīng)問題,展開深入研究,并根據(jù)現(xiàn)有領(lǐng)域自適應(yīng)方法存在的不足,提出更優(yōu)秀的改進算法來解決領(lǐng)域自適應(yīng)問題。本文的主要研究內(nèi)容如下:(1)本文首先闡述了領(lǐng)域自適應(yīng)學習的研究背景和發(fā)展現(xiàn)狀,并對領(lǐng)域自適應(yīng)方法作了詳細的對比與分析。通過分析不同思路的領(lǐng)域自適應(yīng)方法,比較其存在的優(yōu)點和不足,從而引出本文在領(lǐng)域自適應(yīng)問題上的研究方向。(2)針對源域樣本與目標域樣本不相似的特性,提出了一種多重加權(quán)子空間對齊方法。通過重新加權(quán)樣本數(shù)據(jù)來生成加權(quán)子空間;然后利用PCA方法和本文提出的貪心策略進行多個加權(quán)子空間擬合;最后通過利用格拉斯曼流形的微分幾何工具來對齊源域和目標域的子空間集,并構(gòu)建最近鄰分類器來獲得源域和目標域的最終數(shù)據(jù)表示。(3)針對深度神經(jīng)網(wǎng)絡(luò)學習的特征表示特別適合于由原始數(shù)據(jù)本身建立的分類任務(wù)這一特性,搭建了一個基于多層校正的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。通過添加小的校正項來校正目標數(shù)據(jù)的內(nèi)部表示,使它們模擬源域數(shù)據(jù)的分布。對于目標數(shù)據(jù)的殘差層,我們通過添加校正使得源域的數(shù)據(jù)分類器能適應(yīng)目標域,并利用加法疊加來完美地對齊源域和目標域的數(shù)據(jù)表示。然后,考慮到如果不考慮類的先驗分布,則很容易忽略類別權(quán)重偏差,從而導(dǎo)致域適應(yīng)性能的下降。因此,我們引入特定類的輔助權(quán)重來重寫設(shè)定源樣本。以這種方式,重新加權(quán)的源數(shù)據(jù)將與目標數(shù)據(jù)共享相同的類別權(quán)重。此外,我們還使用多個權(quán)值MMD來修正全連接層,增加網(wǎng)絡(luò)的表示能力。最后,提取學習獲得的域不變特征并進行分類,以獲得目標圖像的最終識別效果。
【學位單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

浙江工業(yè)大學碩士學位論文1.2 國內(nèi)外研究現(xiàn)狀1.2.1 圖像識別研究現(xiàn)狀圖像識別主要是指識別和檢測數(shù)字圖像或視頻中的對象或特征的過程，其目的是為了讓計算機代替人類去處理大量的圖形圖像及真實物體信息。近年來，隨著圖像識別技術(shù)的快速發(fā)展，諸如人臉識別、車牌識別、手勢識別等的圖像識別已然成為模式識別領(lǐng)域的研究熱點。圖像識別已經(jīng)廣泛應(yīng)用到于日常生活當中，并在許多領(lǐng)域得到了商業(yè)化應(yīng)用[6]。圖像識別的基本框架如圖 2-1 所示。訓(xùn)練階段主要通過提取圖像特征來學習目標分類器，測試階段利用已訓(xùn)練好的分類模型來獲得識別結(jié)果。兩個階段主要由三個環(huán)節(jié)組成：圖像預(yù)處理、特征提取以及分類器學習。

(2-4)圖2-1 TCA算法的示例效果Figure 2-1. Example effect of the TCAalgorithm如圖所示，對比 PCA 算法，采用 TCA 算法后源域和目標域的特征映射相似性更高、數(shù)據(jù)分布更接近，這樣建立的模型分類精度也更加準確。TCA 實現(xiàn)簡單，方法本身也沒有太多的限制，其思想對后續(xù)方法的提出了奠定重要的基礎(chǔ)。2.1.2 深度領(lǐng)域混淆深度神經(jīng)網(wǎng)絡(luò)可以學習可遷移特征，這些特征在新的任務(wù)上表現(xiàn)出很好的泛化能力。然而隨著網(wǎng)絡(luò)層數(shù)的增加，深度特征由一般向特殊轉(zhuǎn)變，特征的可遷移能力在網(wǎng)絡(luò)高層急劇下降，這大大地增加了領(lǐng)域之間的差異性。為了減少深度網(wǎng)絡(luò)中領(lǐng)域之間的差異性

浙江工業(yè)大學碩士學位論文12圖2-3 DAN網(wǎng)絡(luò)結(jié)構(gòu)[20]Figure 2-3. DAN network structure原來的 DDC 方法只是適配了一層，現(xiàn)在 DAN 也是基于 AlexNet 網(wǎng)絡(luò)，并適配最后三層。為什么是這三層？因為網(wǎng)絡(luò)的遷移能力在這三層開始就會具有一定的特異性，所以要著重適配這三層。MK-MMD 是基于原來的 MMD 發(fā)展而來的。原來的 MMD 把源域和目標域用一個相同的映射映射在一個再生核希爾伯特空間（RKHS）中，然后求得映射后兩部分數(shù)據(jù)的均值差異，當作是兩部分數(shù)據(jù)的差異[44]。在 MMD 中核是固定的，我們在實現(xiàn)的時候可以選擇是高斯核或者線性核。這樣的缺點很明顯：怎么知道哪個核一定好？MK-MMD 就是為了解決這個問題。它提出用多個核去構(gòu)造這個總的核，這樣效果肯定會比一個核更好。對于兩個概率分布 p 和 q

【相似文獻】

相關(guān)期刊論文 前10條

1 趙靜;;淺析深度學習在圖像識別中的應(yīng)用[J];襄陽職業(yè)技術(shù)學院學報;2019年02期

2 劉宣彤;;計算機圖像識別的智能化處理方法分析[J];科技經(jīng)濟導(dǎo)刊;2019年11期

3 楊聲英;胡海霞;;計算機圖像識別的智能化處理技術(shù)瓶頸與突破[J];信息與電腦(理論版);2019年16期

4 閔鵬升;;基于圖像識別的課堂效率監(jiān)測技術(shù)設(shè)想[J];中國新通信;2019年18期

5 李龍洋;吳閱帆;;淺談計算機圖像識別的智能化處理方法[J];計算機產(chǎn)品與流通;2019年11期

6 劉飛;張俊然;楊豪;;基于深度學習的醫(yī)學圖像識別研究進展[J];中國生物醫(yī)學工程學報;2018年01期

7 陳凱;;人工“智能”圖像識別[J];中國信息技術(shù)教育;2017年Z2期

8 于婷;;計算機圖像識別的智能化處理技術(shù)瓶頸與突破[J];信息與電腦(理論版);2018年21期

9 陳健軍;張俊杰;袁俊來;劉玉彤;王阿川;;學校食堂菜品圖像識別方法研究[J];黑龍江科技信息;2017年14期

10 龐鴻宇;劉益成;;智能錢幣分類整理機[J];科學中國人;2017年03期

相關(guān)會議論文 前10條

1 許西丹;武杰;;基于耦合深度信念網(wǎng)絡(luò)的圖像識別方法[A];第十五屆中國體視學與圖像分析學術(shù)會議論文集[C];2017年

2 姜洪臣;任曉磊;趙耀宏;徐波;;基于音頻語譜圖像識別的廣告檢索[A];第十一屆全國人機語音通訊學術(shù)會議論文集（二）[C];2011年

3 許開宇;徐志京;鄭華耀;;基于小波變換的圖像識別研究[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

4 滕達;宋曉;龔光紅;韓亮;王義;王江云;;深度神經(jīng)網(wǎng)絡(luò)圖像識別魯棒性增強方法研究[A];第十四屆中國體視學與圖像分析學術(shù)會議論文集[C];2015年

5 李靈;;情景智能圖像識別和數(shù)字化處理技術(shù)在型式評價試驗中的運用[A];2013年江蘇省計量測試學會學術(shù)會議論文集[C];2013年

6 譚璐;易東云;吳翊;袁偉;;基于非線性降維方法的圖像識別[A];第一屆全國Web信息系統(tǒng)及其應(yīng)用會議（WISA2004）論文集[C];2004年

7 ;電腦認人超過人類[A];《科學與現(xiàn)代化》2015年第1期（總第062期）[C];2015年

8 劉翠響;孫以材;張艷;于明;;基于三控制要素的多項式模糊擬合在人臉圖像識別中的應(yīng)用[A];第25屆中國控制會議論文集（下冊）[C];2006年

9 劉卓夫;廖振鵬;桑恩方;;頻域分形法在聲納圖像識別中的應(yīng)用[A];第十二屆全國信號處理學術(shù)年會（CCSP-2005）論文集[C];2005年

10 李寶儒;孫鳳杰;范杰清;;基于煙氣圖像識別的火災(zāi)探測方法[A];圖像圖形技術(shù)研究與應(yīng)用2009——第四屆圖像圖形技術(shù)與應(yīng)用學術(shù)會議論文集[C];2009年

相關(guān)重要報紙文章 前10條

1 本報記者 孫嘯 通訊員 張振東;大霧圖像識別 歸鄉(xiāng)又添“快車道”[N];中國氣象報;2020年

2 本報記者 沈勇青;莞企站上圖像識別風口[N];東莞日報;2018年

3 王眾;看“像”的NEC[N];計算機世界;2016年

4 ;2017年，人工智能將在這些方面帶來震撼[N];電腦報;2017年

5 本報記者 吳艷;人工智能：創(chuàng)新是市場“密鑰”[N];中國知識產(chǎn)權(quán)報;2017年

6 本報記者 陳靜;人工智能：大步流星 聚力前行[N];經(jīng)濟日報;2017年

7 本報記者 何曉亮;“AI+醫(yī)療”：人工智能落地的第一只靴子？[N];科技日報;2017年

8 本報記者 王洋;國產(chǎn)電視從便捷到“聰明”[N];消費日報;2017年

9 中國經(jīng)濟導(dǎo)報記者 荊文娜;人工智能“涉足”醫(yī)療資源下沉基層[N];中國經(jīng)濟導(dǎo)報;2017年

10 王月 成都媒體人;別人剛學會圖像識別，谷歌已經(jīng)開始識別視頻了[N];電腦報;2017年

相關(guān)博士學位論文 前10條

1 王璨;基于機器學習的農(nóng)業(yè)圖像識別與光譜檢測方法研究[D];山西農(nóng)業(yè)大學;2018年

2 冉瑞生;一些矩陣計算問題及其在圖像識別中的應(yīng)用研究[D];電子科技大學;2006年

3 孫權(quán)森;基于相關(guān)投影分析的特征抽取與圖像識別研究[D];南京理工大學;2006年

4 胡元奎;可變光照和可變姿態(tài)條件下的人臉圖像識別研究[D];中國科學技術(shù)大學;2006年

5 謝鉉洋;SARS醫(yī)學圖像識別與輔助診斷研究[D];中國科學技術(shù)大學;2006年

6 劉軍;人臉圖像識別關(guān)鍵技術(shù)的研究[D];北京郵電大學;2015年

7 王宇e

本文編號：2810636