基于深度语义依赖的小样本学习方法研究

发布时间：2023-02-26 19:46

　　深度学习方法在计算机视觉各领域飞速发展,但是通常需要海量的标注样本对深度模型加以训练。在很多应用场景下,获取大量标注数据成本高昂。所以,从少量训练样本中学习并识别新类别的小样本学习成为研究重点。目前基于度量学习的小样本方法由于简单高效的特点被广泛使用,其计算过程主要为构建投影空间和相似度的计算。本文在度量学习的基础上提出新的特征提取网络,并利用样本间潜在的语义信息修正样本特征在投影空间中的位置,提升了模型的性能。主要研究内容如下:1.针对目前小样本学习模型中特征提取网络较浅不能很好的表示样本特征的问题,提出双向特征网络。该网络利用残差结构和双向计算的方法构建深层网络模型,通过样本多尺度信息构建多投影空间,使得模型最终相似度的计算可以综合样本多尺度信息,减轻了网络模型的更新难度,增强了网络的性能。此外基于度量学习的模型仅考虑视觉相关性,缺失语义显著性特征,在背景干扰等复杂场景下存在明显弊端,针对该问题提出语义依赖网络。该网络首先利用双向特征网络提取样本的多尺度深层卷积特征,然后在模型的多投影空间中计算样本对之间的语义信息,利用该信息让同类样本特征相近,不同类之间的特征表示远离,使模型学习...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 课题来源及意义
    1.2 国内外研究现状
    1.3 研究内容及安排
第二章 小样本学习理论
    2.1 引言
    2.2 小样本学习问题定义
    2.3 小样本学习基本方法
        2.3.1 数据增强方法
        2.3.2 元学习方法
        2.3.3 度量学习方法
    2.4 小样本学习数据集及评价标准
    2.5 本章小结
第三章 基于语义依赖的小样本学习
    3.1 引言
    3.2 投影空间的构建
        3.2.1 特征提取网络的构建
        3.2.2 语义提取网络的构建
    3.3 语义依赖网络的构建
        3.3.1 语义度量网络的构建
        3.3.2 网络的整体架构
    3.4 实验结果
        3.4.1 Omniglot数据集上的实验
        3.4.2 mini Image Net数据集上的实验
        3.4.3 Cifar100小样本学习任务
    3.5 本章小结
第四章 语义匹配网络小样本学习
    4.1 引言
    4.2 语义匹配网络
        4.2.1 匹配网络的构建
        4.2.2 语义匹配网络整体架构
    4.3 语义信息的可视化分析
        4.3.1 深度网络视觉解释
        4.3.2 匹配网络语义分析
    4.4 实验结果
        4.4.1 Omniglot数据集上的实验
        4.4.2 mini Image Net数据集上的实验
        4.4.3 Cifar100小样本学习任务
    4.5 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



本文编号：3750781