近幾年來,機(jī)器學(xué)習(xí)和人工智能已經(jīng)得到了迅速的發(fā)展,如人臉識別和行為檢測等計(jì)算機(jī)視覺任務(wù)在實(shí)際場景中已經(jīng)得到了重要的使用。在傳統(tǒng)的機(jī)器學(xué)習(xí)方法中,監(jiān)督學(xué)習(xí)憑借著訓(xùn)練數(shù)據(jù)的標(biāo)簽信息,一直發(fā)揮著最為重要的作用。然而,在大多數(shù)實(shí)際應(yīng)用中,標(biāo)簽訓(xùn)練數(shù)據(jù)通常非常有限,而獲取大量的未標(biāo)記訓(xùn)練樣本相對容易,因此,只需少量標(biāo)注樣本的半監(jiān)督學(xué)習(xí)近幾年來已引起研究人員的高度關(guān)注。在半監(jiān)督學(xué)習(xí)中,半監(jiān)督字典學(xué)習(xí)的方法是最具有前景的方向之一。這類算法的核心是如何通過少量的標(biāo)注樣本,來學(xué)習(xí)具有鑒別性的分類器字典,此外,不同的編碼表示方式以及加入不同的鑒別項(xiàng),都會對最后所學(xué)字典的分類能力有比較重要的影響。本文提出了兩種不同的鑒別性半監(jiān)督字典學(xué)習(xí)算法,在不同的圖像分類應(yīng)用中,如自閉癥診斷,人臉圖像識別,字符識別和目標(biāo)分類任務(wù)中,均取得了比現(xiàn)有方法更高的識別精度。具體貢獻(xiàn)如下:首先,提出了一個提升的標(biāo)簽傳播算法與半監(jiān)督字典學(xué)習(xí)相結(jié)合的方法,該方法基于同類數(shù)據(jù)存在共性和特異性的假設(shè),采取了對樣本數(shù)據(jù)進(jìn)行共性和特異性的聯(lián)合編碼方式,同時,改進(jìn)的標(biāo)簽傳播算法將更加準(zhǔn)確地估計(jì)非標(biāo)簽樣本在各個類別上的所屬概率。最后,我們在四個來... 

【文章來源】：深圳大學(xué)廣東省

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【部分圖文】：

稀疏表示在人臉識別任務(wù)上的應(yīng)用

基于鑒別性半監(jiān)督字典學(xué)習(xí)的圖像分類算法研究與實(shí)現(xiàn)編碼系數(shù)，我們根據(jù)線性判別式的思想，對系數(shù)進(jìn)行減減少了他們在類內(nèi)的誤差。認(rèn)為來自相同類別的標(biāo)簽數(shù)據(jù)，除了共性之外，還有 3-1 所示，均來自第 i 類的標(biāo)簽樣本 和 ，他們 和 ，如果我們僅僅強(qiáng)調(diào)它們的編碼系數(shù)相似（即忽略了在他們差異性之間的鑒別性。因此我們同時考性，這樣有利于接下來的分類任務(wù)。

基于鑒別性半監(jiān)督字典學(xué)習(xí)的圖像分類算法研究與實(shí)現(xiàn)始的標(biāo)簽傳播算法，在計(jì)算樣本相似性的時候，是通過樣本之間的距離一般是歐式距離（在優(yōu)化求解章節(jié)，將詳細(xì)地說明具體的標(biāo)簽傳播算這樣的一個原始標(biāo)簽傳播算法，我們 ILP 算法主要有以下兩個優(yōu)點(diǎn)： 原始的標(biāo)簽傳播算法，計(jì)算樣本相似性的過程（也就是計(jì)算概率矩陣），對于字典學(xué)習(xí)來說是一個單向反饋機(jī)制，也就是概率矩陣的更新，典的更新，但是字典的更新卻不能影響概率矩陣的更新，因?yàn)闃颖局g不會改變。圖 3-2 指出了原始標(biāo)簽傳播和提升的標(biāo)簽傳播 ILP 之間的區(qū) 提升的標(biāo)簽傳播算法，在計(jì)算樣本相似性時，是基于非標(biāo)簽樣本在各的重構(gòu)誤差，而重構(gòu)誤差的計(jì)算跟字典的更新有很大的聯(lián)系，因此這種更真實(shí)地反映了樣本之間的相似性，同時有助于準(zhǔn)確地評估非標(biāo)簽樣本別。


本文編號：3619812