發(fā)布時(shí)間：2022-02-21 04:49

　　零樣本學(xué)習(xí)是目前遷移學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一,與傳統(tǒng)的圖像分類(lèi)問(wèn)題不同,零樣本學(xué)習(xí)旨在識(shí)別從未見(jiàn)過(guò)的數(shù)據(jù)類(lèi)別,即在測(cè)試階段所分類(lèi)和識(shí)別的樣本未參與分類(lèi)器模型的訓(xùn)練。在求解零樣本學(xué)習(xí)問(wèn)題過(guò)程中,為實(shí)現(xiàn)從可見(jiàn)類(lèi)別到不可見(jiàn)類(lèi)別的知識(shí)遷移,分類(lèi)模型需要通過(guò)視覺(jué)屬性等輔助知識(shí)構(gòu)建從底層特征到類(lèi)別標(biāo)簽的映射。屬性是指可以通過(guò)人工標(biāo)注并且能在圖像中觀察到的特性,是圖像內(nèi)容的高層描述,能夠同時(shí)被機(jī)器和人理解。大量的研究顯示了屬性學(xué)習(xí)在目標(biāo)識(shí)別、圖像描述以及零樣本學(xué)習(xí)等方面的作用。零樣本學(xué)習(xí)的過(guò)程可以看做是圖像與視覺(jué)屬性之間的映射。為了便于研究,多數(shù)零樣本學(xué)習(xí)不直接使用圖片,而是利用既有的特征提取模型來(lái)提取圖像的特征。提取出的特征稱(chēng)為特征空間,而用人工標(biāo)定的屬性被稱(chēng)為屬性空間。零樣本學(xué)習(xí)的過(guò)程又可以看做是特征空間與屬性空間之間的映射。零樣本學(xué)習(xí)有效的方法是將特征空間和屬性空間的數(shù)據(jù)映射至一個(gè)嵌入空間,再利用KNN等分類(lèi)算法對(duì)嵌入空間的數(shù)據(jù)進(jìn)行處理。目前,為完成特征空間和屬性空間到嵌入空間映射,應(yīng)用最多的是基于神經(jīng)網(wǎng)絡(luò)的研究方法。而多數(shù)基于神經(jīng)網(wǎng)絡(luò)的方法都是淺層全連接,這使得網(wǎng)絡(luò)映射很難有較高的準(zhǔn)確率。為了... 

【文章來(lái)源】：大連理工大學(xué)遼寧省211工程院校985工程院校教育部直屬院校

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
    1.3 本文工作與貢獻(xiàn)
    1.4 本文結(jié)構(gòu)
2 關(guān)鍵技術(shù)
    2.1 多層感知機(jī)
    2.2 遷移學(xué)習(xí)
    2.3 零樣本學(xué)習(xí)
        2.3.1 視覺(jué)特征提取
        2.3.2 語(yǔ)義空間構(gòu)建
        2.3.3 視覺(jué)-語(yǔ)義映射方法
    2.4 本章小結(jié)
3 基于屬性加權(quán)的零樣本學(xué)習(xí)
    3.1 問(wèn)題定義
    3.2 屬性加權(quán)算法
        3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 損失函數(shù)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 數(shù)據(jù)集
        3.3.2 評(píng)測(cè)指標(biāo)
        3.3.3 算法收斂速度的比較與分析
        3.3.4 與其他算法準(zhǔn)確率的比較與分析
    3.4 本章小結(jié)
4 結(jié)合殘差思想的零樣本學(xué)習(xí)方法
    4.1 關(guān)鍵技術(shù)
    4.2 模型結(jié)構(gòu)
    4.3 激活函數(shù)的設(shè)計(jì)
        4.3.1 算法收斂速度的比較與分析
        4.3.2 算法準(zhǔn)確率的比較與分析
    4.4 殘差網(wǎng)絡(luò)
        4.4.1 殘差網(wǎng)絡(luò)的設(shè)計(jì)
        4.4.2 殘差網(wǎng)絡(luò)算法收斂速度的比較與分析
        4.4.3 殘差網(wǎng)絡(luò)算法準(zhǔn)確率的比較與分析
    4.5 本章小結(jié)
5 基于Res-Gan網(wǎng)絡(luò)的零樣本學(xué)習(xí)
    5.1 生成對(duì)抗網(wǎng)絡(luò)
        5.1.1 生成式模型的應(yīng)用
        5.1.2 GAN網(wǎng)絡(luò)的訓(xùn)練方法
    5.2 GAN網(wǎng)絡(luò)的種類(lèi)
    5.3 關(guān)鍵技術(shù)
    5.4 模型結(jié)構(gòu)
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 Res-Gan網(wǎng)絡(luò)算法收斂速度的比較與分析
        5.5.2 Res-Gan網(wǎng)絡(luò)算法準(zhǔn)確率的比較與分析
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3636530