神經(jīng)網(wǎng)絡(luò)是通過學(xué)習(xí)人腦構(gòu)造和其運(yùn)作流程來進(jìn)行信息處理的系統(tǒng),大都基于大量標(biāo)記好的高質(zhì)量樣本進(jìn)行訓(xùn)練。但是實(shí)際上,人腦更擅長(zhǎng)于從少量的簡(jiǎn)單樣本中去識(shí)別各種物體的不同之處。在很多真實(shí)情況下,往往會(huì)遇到難以積累到足量樣本或數(shù)據(jù)取樣困難的問題,這些問題限制了人工智能的發(fā)展。因此,如何使模型只通過小樣本數(shù)據(jù)就能實(shí)現(xiàn)快速學(xué)習(xí),成為目前十分重要的研究方向。噪聲問題是小樣本的關(guān)鍵問題。當(dāng)數(shù)據(jù)量充足時(shí),算法很容易就能區(qū)分關(guān)鍵信息和噪聲,因此很容易在無用信息（同一類別的細(xì)節(jié)特征）和有效信息（不同類別的關(guān)鍵區(qū)分特征）之間進(jìn)行區(qū)別。相反,由于小樣本中的樣本量過少,很難明確找到這樣的信息。這時(shí)候,增加一些其他手段來加強(qiáng)類別的建模能力就顯得至關(guān)重要了。此外,拍攝角度或?qū)嶋H情況的變化也會(huì)造成形象的差異,這可能會(huì)導(dǎo)致映射后同一類的數(shù)據(jù)點(diǎn)依舊十分分散,不能很好的聚集。本文的主要內(nèi)容概述如下:第一,本文回顧了小樣本學(xué)習(xí)的發(fā)展,介紹了幾個(gè)經(jīng)典的小樣本方法。盡管這些方法都解決了小樣本學(xué)習(xí)中的一些問題,并提出了新的研究思路,但尚未解決小樣本噪聲嚴(yán)重,提取特征不明顯,對(duì)異常數(shù)據(jù)敏感等關(guān)鍵問題。第二,針對(duì)上述缺陷,本文提出了投影判... 

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 小樣本學(xué)習(xí)的國(guó)內(nèi)外研究歷史與現(xiàn)狀
    1.3 本文的主要貢獻(xiàn)與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 小樣本學(xué)習(xí)
    2.1 小樣本學(xué)習(xí)的定義
    2.2 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)
    2.3 基于度量學(xué)習(xí)的小樣本學(xué)習(xí)算法
        2.3.1 原型網(wǎng)絡(luò)
        2.3.2 匹配網(wǎng)絡(luò)
        2.3.3 關(guān)系網(wǎng)絡(luò)
    2.4 距離函數(shù)的探討
    2.5 本章小結(jié)
第三章 基于小樣本學(xué)習(xí)的投影判別網(wǎng)絡(luò)
    3.1 投影判別網(wǎng)絡(luò)
    3.2 特征提取模塊
    3.3 特征嵌入模塊
        3.3.1 多類別線性判別分析
        3.3.2 改進(jìn)的多類別線性判別分析
    3.4 距離度量模塊
    3.5 算法流程
    3.6 一些細(xì)節(jié)的討論
    3.7 本章小結(jié)
第四章 基于小樣本學(xué)習(xí)的投影核判別網(wǎng)絡(luò)
    4.1 線性與非線性的問題
    4.2 改進(jìn)的特征嵌入模塊
        4.2.1 核方法、核技巧和核函數(shù)
        4.2.2 多類別核判別分析
        4.2.3 改進(jìn)的多類別核判別分析
    4.3 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果
    5.1 Mini Image Net數(shù)據(jù)集圖片分類
    5.2 CUB數(shù)據(jù)集圖片分類
    5.3 補(bǔ)充實(shí)驗(yàn)
        5.3.1 可行性實(shí)驗(yàn)
        5.3.2 不同嵌入的對(duì)比實(shí)驗(yàn)
        5.3.3 特征根的重要性排序
        5.3.4 不同距離函數(shù)的對(duì)比
    5.4 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
附錄A
附錄B
攻讀碩士學(xué)位期間取得的研究成果



本文編號(hào)：3717791