隨著深度學習的發(fā)展,計算機視覺技術有了長足的進步,并在娛樂,安防,工業(yè)控制等等各個領域發(fā)揮了重要作用。這個巨大進步主要是由于以卷積神經(jīng)網(wǎng)絡（Convolution Neural Network,CNN）為代表的有監(jiān)督深度學習模型的有效性。但CNN的良好性能需要大量有標簽數(shù)據(jù)集來訓練,然而很多計算機視覺問題并不能滿足這個要求,并且獲取大量有標簽樣本往往需要高昂的代價。因此對于如何解決小樣本計算機視覺問題的研究很有必要。由于計算機視覺問題的復雜性及原始數(shù)據(jù)的高維性,為了更好的表征樣本,樣本特征維度也比較高。而在高維的小樣本上去訓練判別器,容易導致判別器過擬合。因此本文主要目的是針對計算機視覺中的高維小樣本問題,設計出若干泛化能力相對較強的判別器。由于在訓練過程中,常規(guī)計算機視覺問題判別器的輸入包括如下幾部分:樣本,標簽,或?qū)娜蝿站幪枺ㄈ绻嵌嗳蝿諉栴}）。因此本文從樣本學習順序,樣本任務間關聯(lián)性,樣本表征能力,自動擴大樣本四個方面以及這些方面相互結(jié)合的角度出發(fā)去設計泛化能力更強的判別器。具體如下:首先從樣本學習順序角度出發(fā),提出了一種新的計算機學習框架——基于特權信息的自步學習（Self... 

【文章頁數(shù)】：132 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 自步學習
        1.2.2 多任務學習
        1.2.3 多模態(tài)學習
        1.2.4 生成式對抗網(wǎng)絡
    1.3 研究動機及本文結(jié)構(gòu)
第二章 基于特權信息的自步學習
    2.1 引言
    2.2 背景知識簡介
        2.2.1 自步學習
        2.2.2 特權學習
    2.3 基于特權信息的自步學習
        2.3.1 基本概念
        2.3.2 建模
        2.3.3 優(yōu)化算法
    2.4 實驗結(jié)果
        2.4.1 對比算法
        2.4.2 數(shù)據(jù)集,特征,實驗配置和參數(shù)選擇
        2.4.3 實驗結(jié)果
        2.4.4 模型分析
        2.4.5 訓練時間
    2.5 本章小結(jié)
第三章 基于序列實例和任務的多任務分類
    3.1 引言
    3.2 背景知識簡介
        3.2.1 多任務學習
        3.2.2 自步學習
    3.3 基于序列實例和任務的多任務分類
        3.3.1 基本概念
        3.3.2 基于序列任務的多任務分類
        3.3.3 基于序列實例和任務的多任務分類
    3.4 優(yōu)化算法
        3.4.1 任務到實例
        3.4.2 實例到任務
        3.4.3 整個優(yōu)化過程
        3.4.4 理論分析
    3.5 實驗結(jié)果
        3.5.1 對比算法
        3.5.2 數(shù)據(jù)集,特征,實驗配置和參數(shù)選擇
        3.5.3 實驗結(jié)果
        3.5.4 模型分析
        3.5.5 訓練時間
    3.6 本章小結(jié)
第四章 基于多模態(tài)自步學習的圖像分類
    4.1 引言
    4.2 背景知識
        4.2.1 自步學習
        4.2.2 多模態(tài)學習
    4.3 基于多模態(tài)自步學習的圖像分類
        4.3.1 基本概念
        4.3.2 建模
        4.3.3 優(yōu)化算法
    4.4 實驗結(jié)果
        4.4.1 對比算法
        4.4.2 數(shù)據(jù)集,特征,實驗配置和參數(shù)選擇
        4.4.3 實驗結(jié)果
        4.4.4 模型分析
        4.4.5 對比基于深度學習特征的方法
        4.4.6 訓練時間
    4.5 本章小結(jié)
第五章 基于循環(huán)一致對抗網(wǎng)絡的圖像去雨
    5.1 引言
    5.2 背景知識
        5.2.1 單幅圖像去雨
        5.2.2 生成式對抗網(wǎng)絡
    5.3 基于循環(huán)一致對抗網(wǎng)絡的無配對圖像去雨
        5.3.1 基本概念
        5.3.2 建模
        5.3.3 網(wǎng)絡結(jié)構(gòu)
    5.4 實驗結(jié)果
        5.4.1 對比算法
        5.4.2 數(shù)據(jù)集,實驗配置和參數(shù)選擇
        5.4.3 實驗結(jié)果
        5.4.4 模型分析
        5.4.5 運行時間對比
        5.4.6 高層任務效果
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來工作
        6.2.1 算法方向
        6.2.2 應用方向
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文
攻讀學位期間參與的項目



本文編號：3671787