基于素描标注和生成对抗模型的迁移学习方法研究

发布时间：2022-01-25 18:35

　　近年来,深度学习算法被广泛应用于各个领域,然而,大规模的带有标签信息的数据是该类算法取得良好性能的前提条件。众所周知,标注大量数据的成本是极其昂贵的,因而该前提条件不易被满足。值得庆幸的是,现实中存在大量已标注的和目标任务中数据相关的数据集,那么,如何利用已有的带标注数据,在目标任务中数据没有标签信息的情况下,建立深度学习模型以减小标注数据的成本,成为当下研究的热点。本文针对目标域数据标签不足的问题,考虑到生成对抗网络可以生成符合真实分布数据的特性,于是,将该网络扩展到迁移学习领域。将带标签的源域数据作为生成器网络的输入,无标签的目标域数据作为判别器网络的输入,通过生成对抗损失以及设计的边缘结构损失控制生成器网络的输出,从而完成目标任务。具体的贡献如下:（1）本文提出了基于素描标注信息的生成对抗网络迁移学习方法。首先,通过由初始素描图得到的边缘标注图去训练端到端的基于素描标注信息的边缘分割网络,省去人工标注图像边缘标签的成本;其次,利用该边缘分割网络提取到的图像边缘信息,设计边缘结构损失,对源域图像和其经过生成器网络的输出图像进行结构约束,使生成器网络输出和源域图像结构相似、符合目标域... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

Horseriding及其对应初始素描图

23(a) MNIST (b) USPS (c) SVHN图2.4 数字数据集SVHN→MNIST.由图 2.4 可以看出，这两个数据集间拥有较大的分布差异，SVHN是拥有三通道的彩色图片，是拍摄的真实场景的门牌号，且图像内的干扰信息较多，每张图片里可能出现不止一个数字，而图像的类别标签却只有一个，由处于最中间的数字决定。由于 SVHN 数据集的这个特性，导致在该数据集上的迁移难度也较大。SVHN 图片的大小为 32 32，实验中，使用整个训练集（有标记的 73257 张 SVHN图像和没有标记的 60000 张 MNIST 图像）来训练本章的模型，并评估目标域 MNIST数据集的分类准确率。2.5.2 实验设置在MNIST USPS数据集的实验中，本文将 USPS 的数字调整为 28 28 像素

(c) MNIST 边缘概率图 (d) MNIST 边缘分割图图2.5 MNIST 边缘分割网络结果图图 2.5 以及图 2.6 的结果可以看出，基于素描标注信息的边缘分割网络 可图像的边缘进行提取，该网络是通过源域数据及其对应边缘标注图进行训

【参考文献】：
期刊论文
[1]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)

博士论文
[1]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014



本文编号：3609023