發(fā)布時(shí)間：2020-12-10 13:15

　　隨著大數(shù)據(jù)和移動(dòng)互聯(lián)的發(fā)展,越來越多圖像數(shù)量如洪水一般的出現(xiàn),由于圖像數(shù)量巨大,對(duì)于圖像分類的模型要求越來越強(qiáng),不僅針對(duì)模型的復(fù)雜度,還有運(yùn)行的效率,所以需要研究一種方法來快速高效的解決圖像分類問題。遷移學(xué)習(xí)是指將以前學(xué)到的經(jīng)驗(yàn)知識(shí)遷移到新的任務(wù)學(xué)習(xí)里,幫助新任務(wù)的學(xué)習(xí)分類。其就是以一種學(xué)習(xí)方式來影響另外一種學(xué)習(xí)。遷移學(xué)習(xí)解決了傳統(tǒng)機(jī)器學(xué)習(xí)中訓(xùn)練和測(cè)試數(shù)據(jù)必須服從相同分布的局限性,其可以在源域與目標(biāo)域之間深挖到恒定不變結(jié)構(gòu)與特征,并且對(duì)于領(lǐng)域的任務(wù)來說還能高效的進(jìn)行信息共享遷移,也可對(duì)于源域有標(biāo)注的監(jiān)督信息進(jìn)行遷移復(fù)用。本文提出基于遷移學(xué)習(xí)與深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分類上的研究方法,主要有:(1]針對(duì)普通的圖像分類,本文提出基于特征映射遷移學(xué)習(xí)的圖像分類方法,采用MK-MMD+聯(lián)合概率適配的方法來降低目標(biāo)域和源域的差異值,運(yùn)用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)而抽取出高度“濃縮”的特征向量,使分類器能更加準(zhǔn)確的判斷出所屬類別。MK-MMD是在MMD中進(jìn)化而來,對(duì)于采用MMD+聯(lián)合概率適配的JDA算法來說,最重要的是核k,由于具有單一固定核局限性問題,在實(shí)際運(yùn)用中存在高斯核或者線性核等選擇性的情況,所以這... 

【文章來源】：山東科技大學(xué)山東省

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Ｆｉｇ?２．３．２?Ｉｍａｇｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ｔｈｅ?ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??可以看出，ＲｅＬＵ單元左側(cè)一直為固定值，右側(cè)梯度為遞增恒值，從而避免ＤＣＮＮ??時(shí)的梯度消失問題，也為讓卷積特征能更加稀疏，因而更加適用于ＤＣＮＮ。在ＤＣＮＮ??過程中，如果開始設(shè)置較大的學(xué)習(xí)率，那么很有可能造成網(wǎng)絡(luò)中的大部分神經(jīng)元出??值無法更新的“神經(jīng)元死亡”狀態(tài)，所以設(shè)置一個(gè)合適的較小的初始學(xué)習(xí)率也是必??選擇。??３?ＤＣＮＮ?池化??在對(duì)圖像進(jìn)行卷積和非線性變換后，通常還需要對(duì)得到的特征圖進(jìn)行降采樣池化來??特征維度，同時(shí)提高魯棒性能。為了解決隨著卷積核的增加每張圖像上的卷積特征??也增加，形成高維的特征容易產(chǎn)生過擬合的問題，這里可以采用計(jì)算圖像上的某個(gè)??的特征平均值，通過聚合，不僅使卷積特征維度降低，還能防止網(wǎng)絡(luò)過擬合從而提??別能力，這種操作辦法就叫做池化，或者稱為降采樣，常用的操作有平均池化和最??．．一Ｘ一

【參考文獻(xiàn)】：
期刊論文
[1]基于遷移學(xué)習(xí)的癲癇EEG信號(hào)自適應(yīng)識(shí)別[J]. 楊昌健,鄧趙紅,蔣亦樟,王士同.  計(jì)算機(jī)科學(xué)與探索. 2014(03)
[2]基于自適應(yīng)聚類的虛假評(píng)論檢測(cè)[J]. 宋海霞,嚴(yán)馨,余正濤,石林賓,蘇斐.  南京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(04)
[3]Inductive transfer learning for unlabeled target-domain via hybrid regularization[J]. ZHUANG FuZhen1,3, LUO Ping2, HE Qing1 & SHI ZhongZhi1 1 Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China; 2 Hewlett Packard Labs China, Beijing 100084, China; 3 Graduate University of Chinese Academy of Sciences, Beijing 100190, China..  Chinese Science Bulletin. 2009(14)
[4]一種基于詞聚類的中文文本主題抽取方法[J]. 陳炯,張永奎.  計(jì)算機(jī)應(yīng)用. 2005(04)

博士論文
[1]基于遷移學(xué)習(xí)與深度卷積特征的圖像標(biāo)注方法研究[D]. 宋光慧.浙江大學(xué) 2017
[2]遷移學(xué)習(xí)在文本分類中的應(yīng)用研究[D]. 孟佳娜.大連理工大學(xué) 2011

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場(chǎng)景理解研究[D]. 文俊.杭州電子科技大學(xué) 2016



本文編號(hào)：2908758