基于课程学习思想的图像分类算法

发布时间：2021-05-10 05:16

　　图像分类作为计算机视觉研究领域最经典的任务,近些年因为在医学成像精确分类、商品图片自动识别和色情暴力内容有效鉴别等现实应用场景中具有重要应用价值而受到广泛关注。伴随着大数据时代的到来,深度神经网络在图片分类任务中取得了优异的成绩。然而,在当前主流深度神经网络训练中,所有的样本处理都是平等的。实际上,由于在内容和标注质量方面的差异,图像必然有一定差别。因此,如何差异化处理图像是精确图像分类的关键。课程学习提出:在训练过程中,应该针对样本的难易,给予不一样的训练优先级。总的来说,课程学习认为在训练的前期应当学习简单样本,以捕捉样本总体分布和学习通用特征;在训练的后期应当学习困难样本,以对决策边界进行精细微调。具体实现不同任务的课程学习有两个关键问题需要解决:第一、如何衡量样本的难易,以及如何找到所谓的困难样本和简单样本;第二、是如何实现所谓的课程,也就是如何设计不同样本的优先级。针对这两个问题,本文结合图像分类的任务特点,将课程学习的思路引入图像分类任务中,主要内容包括:在第二章中,本工作提出了更加精细化的样本难易评判标准并实现了更加平滑的课程。由于大多数相关工作都是使用样本的损失值来衡量... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：50 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 图像分类
        1.2.2 课程学习
    1.3 本文主要研究内容和工作安排
第二章 平衡损失课程学习
    2.1 引言
    2.2 相关工作
        2.2.1 教师-学生框架
        2.2.2 样本重新加权
    2.3 课程学习从易到难的训练框架
        2.3.1 动机
        2.3.2 模型方法
    2.4 实验
        2.4.1 实验设置
        2.4.2 实验结果与分析
    2.5 本章小结
第三章 基于边界样本的课程学习
    3.1 引言
    3.2 相关工作
    3.3 边界样本生成课程学习
        3.3.1 知识蒸馏
        3.3.2 协同蒸馏
        3.3.3 生成对抗网络
        3.3.4 训练过程
    3.4 实验
        3.4.1 实验设定和数据集介绍
        3.4.2 结果与比较
    3.5 本章小节
第四章 总结与展望
    4.1 本文工作总结
    4.2 研究工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3178753