發(fā)布時間：2024-04-11 05:09

　　遷移學(xué)習(xí)(Transfer Learning)是運用已有的知識對不同但相關(guān)領(lǐng)域問題進行求解的一種機器學(xué)習(xí)方法,目標(biāo)是從源任務(wù)中遷移已有的知識、經(jīng)驗應(yīng)用到目標(biāo)領(lǐng)域中。深度卷積網(wǎng)(DCN)受生物視覺認知機制啟發(fā),包含多層卷積、池化結(jié)構(gòu),現(xiàn)已成功地應(yīng)用于圖像識別、目標(biāo)檢測等領(lǐng)域。本文是在深度卷積網(wǎng)的基礎(chǔ)上,研究并實現(xiàn)了遷移學(xué)習(xí)在圖像分類中類別拓展和目標(biāo)檢測中目標(biāo)拓展的應(yīng)用,其主要的工作內(nèi)容如下:1.針對各種數(shù)據(jù)增強方法對深度卷積網(wǎng)圖像分類任務(wù)的影響,利用各種數(shù)據(jù)增強方法擴展訓(xùn)練圖像樣本,選取ImageNet的一個子集和CIFAR-10作為原始數(shù)據(jù)集,AlexNet作為預(yù)訓(xùn)練網(wǎng)絡(luò)模型。實驗結(jié)果表明,在相同條件下,小規(guī)模數(shù)據(jù)集通過數(shù)據(jù)增強后測試準(zhǔn)確率明顯提升,四種單項增強方法(剪切、翻轉(zhuǎn)、WGAN、旋轉(zhuǎn))的性能總體上優(yōu)于其他方法,并且合適的組合方式比其單項更有效。2.針對圖像分類任務(wù)中類別拓展問題,研究并實現(xiàn)了基于微調(diào)的圖像分類類別拓展算法和基于特征提取的圖像分類類別拓展算法。前者通過將預(yù)訓(xùn)練模型和層凍結(jié)方法相結(jié)合進行模型微調(diào),實現(xiàn)類別拓展;后者通過將預(yù)訓(xùn)練模型作為特征提取器,提取對應(yīng)層的特征,...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１深度卷積網(wǎng)絡(luò)模型結(jié)構(gòu)??Ｆｉｇ．?２．１?Ｔｈｅ?ｍｏｄｅｌ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｄｅｅｐ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｔｗｏｒｋ??

?一般情況下，深度卷積網(wǎng)絡(luò)主要由輸入層、卷積層、激活函數(shù)、池化層、全連接層??等部分構(gòu)成，其結(jié)構(gòu)如圖２．１所示。一幅圖像從輸入開始，經(jīng)過深度卷積網(wǎng)絡(luò)各卷積－??池化層將圖像不斷的進行特征提取、降維［３４］操作，之后的全連接層根據(jù)提取的特征進行??分類輸出。??、?丨?各：三＾?Ｊ....

圖2:2卷積過程

（３）激活函數(shù)：深度卷積網(wǎng)絡(luò)中加入一些非線性的激活函數(shù)［３５］，整個深度卷積網(wǎng)絡(luò)??中就引入了非線性部分，增加了深度卷積網(wǎng)絡(luò)的表達能力。在運算過程中，逐元素計算，??不改變原始數(shù)據(jù)的尺寸，即輸入和輸出的數(shù)據(jù)尺寸是相等的。常見的激活函數(shù)如圖２．３??所示。??１０１?－—??１?〇....

圖2.3常見的激活函數(shù)

?第二章深度卷積網(wǎng)與遷移學(xué)習(xí)概述???１?Ｉ?１?Ｉ?Ｔ?０?Ｉ?０?????Ａ??０?１１１０?１?Ｑ?＇???？?１?０??０?０?１１０??????１０?１??〇?１１１１１?〇?Ｉ?〇?Ｉ?１?Ｉ?ｕ?Ｉ?１??Ｉｍａｇｅ?５ｘ５?ｆｉｌｔｅｒ３ｘ３?ｆｅａｔｕｒｅ?ｍａ....

圖２．５人類的遷移學(xué)習(xí)??Ｆｉｇ．?２．５?Ｔｈｅ?ｔｒａｎｓｆｅｒ?ｌｅａｒｎｉｎｇ?ｏｆ?Ｈｕｍａｎ??

遷移學(xué)習(xí)的目的是能夠從Ｄｓ和Ｔｓ得到的信息中學(xué)習(xí)目標(biāo)條件概率分布Ｐ〇Ｖ丨義７），??其中Ｄｓ＃Ｚ＾或者Ｔｓ＝＾７Ｖ。??總之，遷移學(xué)習(xí)試圖把處理源域任務(wù)獲取的知識應(yīng)用于新的目標(biāo)域，其過程如圖２．６??所示：??１４??

本文編號：3950921