基于深度特征的小样本学习方法研究

发布时间：2022-02-19 18:55

　　随着人工智能的兴起,深度学习方法在许多人工智能任务中取得了显著的效果。但是深度模型训练需要大规模的数据集,并且模型收敛缓慢。相比之下,人类视觉系统能够在仅观察一个或几个实例之后识别新物体。人类视觉系统与深度学习模型之间的这种显著差距引起了对小样本学习的研究兴趣。小样本学习的目的是构建一个好的分类模型,使其在每个类只有少量标注样本时也能够具有较好的分类效果。目前在小样本领域产生了许多优秀的解决方法,其中基于度量学习的小样本方法由于简单有效而被广泛使用,它首先通过特征网络学习样本的特征向量,然后在特征空间内寻找测试样本的最近邻预测分类。本文在使用度量学习思想的基础上,进一步提出了改进的特征网络和度量方式,能够有效地处理小样本学习任务,主要研究内容如下:1.阐述了小样本学习任务的基本形式和相关方法。针对小样本学习系统性的介绍了其问题定义及任务形式,然后详细介绍了小样本学习领域的相关方法。包括基于数据增强的方法,基于元学习的方法以及基于度量学习的方法,其中元学习方法又被详细划分为基于记忆的方法和基于优化的方法,本文对各类方法的核心思想进行了详细介绍及优缺点分析。2.基于度量学习方法提出标签特征... 

【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】：64 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 研究内容及安排
第二章 小样本学习基础
    2.1 引言
    2.2 小样本学习概述
        2.2.1 网络模型结构
        2.2.2 模型训练及优化
    2.3 小样本学习基本方法
        2.3.1 基于数据增强的方法
        2.3.2 基于元学习的方法
        2.3.3 度量学习方法
    2.4 本章小结
第三章 标签特征网络的小样本学习
    3.1 引言
    3.2 标签特征网络
        3.2.1 特征网络构建
        3.2.2 标签特征构建
        3.2.3 混合正则损失函数
    3.3 实验结果与分析
        3.3.1 实验设置
        3.3.2 结果分析
    3.4 本章小结
第四章 跨尺度度量无关网络的小样本学习
    4.1 引言
    4.2 跨尺度度量无关网络
        4.2.1 跨尺度特征模块
        4.2.2 相似性度量
    4.3 实验结果与分析
        4.3.1 实验设置
        4.3.2 结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]神经机器翻译综述[J]. 李亚超,熊德意,张民.  计算机学报. 2018(12)
[2]基于深度卷积特征的细粒度图像分类研究综述[J]. 罗建豪,吴建鑫.  自动化学报. 2017(08)
[3]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛.  计算机应用研究. 2017(10)
[4]小样本的类人概念学习与大数据的深度强化学习[J]. 陈孝良.  科技导报. 2016(07)
[5]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)



本文编号：3633441