數(shù)字信息洪流時(shí)代的來(lái)臨使得目標(biāo)感知的性能顯得尤為重要。傳統(tǒng)模型在面對(duì)不同表現(xiàn)形式的感知目標(biāo)時(shí),很難達(dá)到滿足目標(biāo)感知性能的目的。因此基于集成學(xué)習(xí)的感知方案由于其性能優(yōu)越性在目標(biāo)感知中愈發(fā)顯示出其重要意義。本文針對(duì)數(shù)字圖像設(shè)備感知,可見(jiàn)光圖像內(nèi)容感知和SAR圖像信號(hào)感知,三種目標(biāo)感知場(chǎng)景進(jìn)行深入研究。從目標(biāo)感知的應(yīng)用性和集成學(xué)習(xí)算法在特定感知表現(xiàn)的適用性進(jìn)行深入研究,對(duì)于三種表現(xiàn)形式的感知目標(biāo)均提出基于集成學(xué)習(xí)的感知性能提升方案,本文的主要研究工作如下:(1)對(duì)于數(shù)字圖像設(shè)備感知,本文提出基于多相機(jī)指紋集成的實(shí)時(shí)相機(jī)溯源決策方法。本文構(gòu)建了由25部手機(jī)拍攝的100部視頻集來(lái)建立該任務(wù)的數(shù)據(jù)庫(kù)。對(duì)于視頻流溯源任務(wù),我們提出實(shí)時(shí)視頻相機(jī)感知計(jì)算方式和基于集成策略的最終溯源方案。該集成方案顯著提升了溯源的性能,對(duì)于安卓手機(jī)達(dá)到98.161%的溯源準(zhǔn)確率,性能顯著高于單模型。(2)對(duì)于可見(jiàn)光圖像內(nèi)容感知,本文提出多樣性主動(dòng)約束和被動(dòng)約束的深度集成方案,分析了主動(dòng)約束深度方案的參數(shù)不穩(wěn)定性,以及被動(dòng)約束深度集成方案的網(wǎng)絡(luò)多樣性生成原理。對(duì)于深度集成網(wǎng)絡(luò)參數(shù)過(guò)大的問(wèn)題,提出基于多樣性被動(dòng)約束的深度集成蒸餾方案。對(duì)于傳統(tǒng)集成網(wǎng)絡(luò)蒸餾方案訓(xùn)練次數(shù)過(guò)多的問(wèn)題,本文提出惰性再生網(wǎng)絡(luò)(Lazy Born Again Network),基于循環(huán)學(xué)習(xí)率的學(xué)習(xí)模式,利用訓(xùn)練過(guò)程中周期生成的歷史網(wǎng)絡(luò)快照蒸餾后面的訓(xùn)練過(guò)程,在單次訓(xùn)練中就能達(dá)到傳統(tǒng)集成蒸餾網(wǎng)絡(luò)的性能。(3)對(duì)于SAR圖像信號(hào)感知,本文提出Flexible py-StackNet(FPS)集成學(xué)習(xí)框架。該框架將原始的Stacking思想拆解為學(xué)習(xí)層、數(shù)據(jù)流層和效果評(píng)估層,基于學(xué)習(xí)層實(shí)現(xiàn)了多模型的一站式學(xué)習(xí)方案、基于數(shù)據(jù)流層實(shí)現(xiàn)了靈活的特征組合和特征流向方案、基于效果評(píng)估層實(shí)現(xiàn)了實(shí)時(shí)評(píng)估和自適應(yīng)的模型選擇方案�；谠揊PS框架的SAR圖像信號(hào)感知方案取得了首屆航天星圖杯高分軟件大賽SAR圖像分類任務(wù)的冠軍,驗(yàn)證了該框架的有效性。
【學(xué)位單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP18;TP391.41
【部分圖文】：

ＩｍａｇｅＮｅｔ２０１５競(jìng)賽的冠軍，ＲｅｓＮｅｔ網(wǎng)絡(luò)創(chuàng)新性的提出了基于跳層的殘差塊結(jié)構(gòu)，??并在一定程度解決了由于網(wǎng)絡(luò)深度增加而導(dǎo)致的過(guò)擬合和梯度消失的問(wèn)題，使得??訓(xùn)練超大深度的深度神經(jīng)網(wǎng)絡(luò)成為可能。殘差網(wǎng)絡(luò)中典型的殘差模塊結(jié)構(gòu)如圖２－１??所示：??Ｗｅｉｇｈｔ?ｌａｙｅｒ??ｍ?＼??Ｗｅｉｇｈｔ?ｌａｙｅｒ??脅ｘ??ｒｅｌｕ??圖２－１殘差模塊??Ｆｉｇｕｒｅ?２－１?Ｒｅｓｉｄｕａｌ?Ｂｌｏｃｋ??８??

?（２－１６）??所以每一個(gè)非線性層都需要去擬合輸出和輸入的殘差，這也是其稱之為殘差神經(jīng)網(wǎng)??絡(luò)的原因，我們以標(biāo)準(zhǔn)的為ＩｍａｇｅＮｅｔ設(shè)計(jì)的１８層殘差神經(jīng)網(wǎng)絡(luò)為例，基于圖２－２，??殘差神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行簡(jiǎn)要分析。我們將上述結(jié)構(gòu)拆解為４個(gè)模塊分別是??ｃｏｎｖ＿ｌ，ｃｏｎｖ＿２，ｃｏｎｖ＿３，ｃｏｎｖ＿４?和?ｃｏｎｖ＿５?五部分組成，ｃｏｎｖ＿ｌ?是由固定的?６４??個(gè)７Ｘ７卷積核組成，在Ｃ〇ｎｖ＿ｌ后有一個(gè)固定的池化層來(lái)對(duì)ｃｏｎｖ＿ｌ輸出的特征圖??的尺寸進(jìn)行減半。其中ｃｏｒｗ＿２可以拆解為兩個(gè)子模塊，每個(gè)子模塊可以拆解為６４??個(gè)３?Ｘ?３的卷積核組成，每個(gè)模塊的第一個(gè)卷積層通過(guò)將步長(zhǎng)調(diào)整為２將ｆｅａｔｕｒｅ?ｍａｐ??的尺寸減半。在ｃｏｎｖ＿２到ｃｏｎｖ＿４同樣都是可以拆解為兩個(gè)子模塊

進(jìn)行改進(jìn)的，通過(guò)將原來(lái)的１６，?３２，?６４卷積核數(shù)量設(shè)計(jì)進(jìn)行ｉｔ倍的擴(kuò)展來(lái)提升泛化??性能，此外這種網(wǎng)絡(luò)結(jié)構(gòu)僅僅需要很淺的層數(shù)設(shè)計(jì)，避免了過(guò)深的ＲｅｓＮｅｔ大部分??殘差塊學(xué)不到有價(jià)值信息的問(wèn)題，具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖２－４所示。??此外谷歌對(duì)ＷｉｄｅＲｅｓＮｅｔ的最新研宄表明它在梯度下降過(guò)程中和線性模型??的表現(xiàn)幾乎一致，無(wú)限寬的深度網(wǎng)絡(luò)可以看作一個(gè)高斯過(guò)程，這種網(wǎng)絡(luò)不僅在理??論上易于證明，而且在泛化性能表現(xiàn)上也更好。??１０??
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王一賓;田文泉;程玉勝;;基于標(biāo)記分布學(xué)習(xí)的異態(tài)集成學(xué)習(xí)算法[J];模式識(shí)別與人工智能;2019年10期

2 徐繼偉;楊云;;集成學(xué)習(xí)方法:研究綜述[J];云南大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年06期

3 武玉英;嚴(yán)勇;蔣國(guó)瑞;;基于動(dòng)態(tài)選擇性集成學(xué)習(xí)的供應(yīng)鏈產(chǎn)銷協(xié)商優(yōu)化策略[J];計(jì)算機(jī)工程;2017年05期

4 張滄生;崔麗娟;楊剛;倪志宏;;集成學(xué)習(xí)算法的比較研究[J];河北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年05期

5 郭福亮;周鋼;;集成學(xué)習(xí)中預(yù)測(cè)精度的影響因素分析[J];兵工自動(dòng)化;2019年01期

6 曾一平;;基于集成學(xué)習(xí)的小麥識(shí)別研究[J];現(xiàn)代商貿(mào)工業(yè);2019年17期

7 米碩;孫瑞彬;李欣;明曉;;集成學(xué)習(xí)在文本分類問(wèn)題中的應(yīng)用[J];中國(guó)新通信;2018年09期

8 李曄;劉勝利;張兆林;;基于漂移檢測(cè)和集成學(xué)習(xí)的木馬檢測(cè)模型[J];信息工程大學(xué)學(xué)報(bào);2017年06期

9 徐桂云;陳躍;張曉光;劉云楷;;基于選擇性集成學(xué)習(xí)的焊接缺陷識(shí)別研究[J];中國(guó)礦業(yè)大學(xué)學(xué)報(bào);2011年06期

10 張春霞;張講社;;選擇性集成學(xué)習(xí)算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2011年08期

相關(guān)博士學(xué)位論文 前10條

1 張巧生;基于組學(xué)數(shù)據(jù)的癌癥生物學(xué)通路分析方法研究[D];哈爾濱工業(yè)大學(xué);2019年

2 李艷秋;基于集成學(xué)習(xí)的人臉識(shí)別研究[D];合肥工業(yè)大學(xué);2018年

3 趙鶴;面向高維大數(shù)據(jù)的子空間集成學(xué)習(xí)方法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院);2017年

4 劉天羽;基于特征選擇技術(shù)的集成學(xué)習(xí)方法及其應(yīng)用研究[D];上海大學(xué);2007年

5 侯勇;特征提取與集成學(xué)習(xí)算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

6 孫永宣;集成學(xué)習(xí)下的圖像分析關(guān)鍵問(wèn)題研究[D];合肥工業(yè)大學(xué);2013年

7 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學(xué)習(xí)研究[D];武漢大學(xué);2012年

8 阿里木·賽買提(Alim.Samat);基于集成學(xué)習(xí)的全極化SAR圖像分類研究[D];南京大學(xué);2015年

9 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

10 鈕冰;基于集成學(xué)習(xí)算法的若干生物信息學(xué)問(wèn)題研究[D];上海大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 尹伊人;基于集成學(xué)習(xí)的列車能耗預(yù)測(cè)方法研究及系統(tǒng)設(shè)計(jì)[D];北京交通大學(xué);2019年

2 江政;融合集成學(xué)習(xí)與解釋性方法的老年健康知識(shí)發(fā)現(xiàn)研究[D];合肥工業(yè)大學(xué);2019年

3 謝若鵬;基于有效特征探索和集成學(xué)習(xí)模型的賴氨酸丙二�；稽c(diǎn)分析與預(yù)測(cè)[D];桂林電子科技大學(xué);2019年

4 何沂娟;基于集成學(xué)習(xí)的非平衡惡意文本檢測(cè)[D];電子科技大學(xué);2019年

5 金妙然;基于語(yǔ)義向量的集成學(xué)習(xí)研究與應(yīng)用[D];電子科技大學(xué);2019年

6 詹樂(lè);基于集成學(xué)習(xí)的推薦算法及優(yōu)化研究[D];桂林電子科技大學(xué);2019年

7 馬浩天;集成學(xué)習(xí)在網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用[D];電子科技大學(xué);2019年

8 盧勇全;基于集成學(xué)習(xí)的偏標(biāo)記學(xué)習(xí)算法研究[D];桂林電子科技大學(xué);2019年

9 呂克敵;基于集成學(xué)習(xí)與進(jìn)化算法的停車位預(yù)測(cè)算法研究[D];吉林大學(xué);2019年

10 董鳳偉;基于集成學(xué)習(xí)的傳染性肝病輔助診斷系統(tǒng)的研究與實(shí)現(xiàn)[D];江蘇大學(xué);2019年

本文編號(hào)：2865479