基于深度领域适应的图像分类研究

发布时间：2022-09-24 20:43

　　深度领域适应属于深度迁移学习的一部分,主要用来解决标注数据不足的问题,是一种比较前沿的机器学习方法。传统迁移学习,通过共享特征子空间或浅层表示调整源域实例权重等手段实现知识迁移的能力。而深度领域适应则把领域适应模块嵌入深度网络,使得网络模型能够学到更多的可迁移特征。目前,深度领域适应潜力巨大且适用广泛,但依然存在一些问题需要探索和研究,如负迁移、领域适应界限等。为此,本文从提高领域适应效果降低负迁移现象提出了三种解决方法,分别如下:第一,针对在深度领域适应现存方法中出现的负迁移及欠适配等问题,提出一种新的网络模型,主要解决无监督领域适应问题。该方法融合了特征分布与领域对抗两种技术,使其共同作用于网络模型,提高模型的领域适应能力。所提方法基于卷积神经网络实现,在网络的全连接层进行特征分布匹配,使用MMD衡量领域间的特征分布差异,同时在卷积层后搭建两层全连接网络作为领域判别器进行领域对抗。综合大量实验,该模型在分类精度上优于目前一些有代表性的方法,证明了所提方法能够提高深度网络模型的领域适应能力。第二,针对无监督领域适应问题,基于现存相关性对齐方法不能充分衡量领域间差异的缺点,提出了新的改... 

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文的研究内容及章节安排
2 深度领域适应研究概述
    2.1 定义及符号
    2.2 度量准则
    2.3 领域适应的理论保证
    2.4 深度领域适应经典模型
    2.5 本章小结
3 分布对抗无监督深度领域适应网络
    3.1 研究动机
    3.2 分布对抗无监督深度领域适应网络
    3.3 实验结果与分析
    3.4 本章小结
4 基于熵最小化特征对齐无监督深度领域适应算法
    4.1 研究动机
    4.2 相关工作
    4.3 基于熵最小化特征对齐无监督深度领域适应算法
    4.4 实验结果与分析
    4.5 本章小结
5 基于熵最小化多层匹配的分布对抗领域适应网络
    5.1 研究动机
    5.2 基于熵最小化多层匹配的分布对抗领域适应网络
    5.3 实验结果与分析
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者简历
学位论文数据集


【参考文献】：
期刊论文
[1]Generative Adversarial Networks:Introduction and Outlook[J]. Kunfeng Wang,Chao Gou,Yanjie Duan,Yilun Lin,Xinhu Zheng,Fei-Yue Wang.  IEEE/CAA Journal of Automatica Sinica. 2017(04)
[2]基于深度学习的工业分拣机器人快速视觉识别与定位算法[J]. 伍锡如,黄国明,孙立宁.  机器人. 2016(06)
[3]面向自然语言处理的深度学习研究[J]. 奚雪峰,周国栋.  自动化学报. 2016(10)
[4]基于最大分布加权均值嵌入的领域适应学习[J]. 臧绍飞,程玉虎,王雪松.  控制与决策. 2016(11)
[5]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[6]基于属性关系图正则化特征选择的零样本分类[J]. 巩萍,程玉虎,王雪松.  中国矿业大学学报. 2015(06)
[7]大数据下的机器学习算法综述[J]. 何清,李宁,罗文娟,史忠植.  模式识别与人工智能. 2014(04)



本文编号：3680833