基于对抗和正则化方法的域适应算法研究

发布时间：2023-03-18 16:40

　　在现实社会的生产生活中,随着数据量的快速增长,我们对图像以及其他类型的数据进行分析和利用的需求飞速增长。为了分析多种数据类型的各种数据任务,我们在深度学习上取得了飞速进展,这给我们的生活带来了便捷性,极大地提升了生活的品质。尽管深度学习在众多应用中取得了成功,但其出色的性能在很大程度上取决于大量的标记数据,标记数据的过程一般都耗时耗力。为了减轻对数据标注的高度依赖,一个解决方案是利用一些已有标签的其他数据域的信息来应用到对该数据域的学习上。所以,需要解决其他数据域和该数据域的数据分布不匹配问题。在过去的研究中,研究者们提出了大量的域适应方法并在实验中证明其对域间解决数据分布不匹配问题的有效性。但是,现今的域适应方法没有考虑模型在无标签的目标域上的预测结果的稳定性,所以在目标域缺失标注这种更困难的无监督域适应场景下,往往在目标域上不能有好的预测效果。本文针对上述不足,提出了两种基于对抗和正则化方法的新颖的域适应方法,现对这两种方法总结如下:(1)我们提出了权重时序正则化域对抗网络(W-TeDAN),一方面使模型学习到域之间的不变通用特征,减少域之间的距离;另一方面正则化约束模型在无标签数...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 域适应方法国内外研究现状
    1.3 本文的主要内容与创新
    1.4 本论文的结构安排
第二章 域适应方法综述
    2.1 问题描述
    2.2 非深度域适应方法
        2.2.1 同构域适应方法
        2.2.2 多源域适应方法
        2.2.3 异构域适应方法
    2.3 深度域适应方法
    2.4 本章小结
第三章 元学习的介绍
    3.1 元学习的发展动机
    3.2 元学习的相关研究方法
        3.2.1 基于记忆单元的方法
        3.2.2 基于梯度学习的元学习方法
        3.2.3 基于注意力机制的元学习方法
        3.2.4 基于通用模型的元学习方法
    3.3 元学习的现状与未来
    3.4 本章小结
第四章 权重时序正则化域对抗网络
    4.1 教师学生网络
    4.2 权重时序正则化域对抗网络
        4.2.1 数据随机增广模块
        4.2.2 基于条件分布的对抗训练模块
        4.2.3 权重时序集成模块
        4.2.4 源域标签信息结合模块
        4.2.5 权重时序正则化域对抗网络目标损失函数
    4.3 权重时序正则化域对抗网络算法流程
    4.4 实验内容和结果分析
        4.4.1 数据集
        4.4.2 实验设置
        4.4.3 实验结果
        4.4.4 实验结果分析
    4.5 本章小结
第五章 基于元学习的权重时序正则化域对抗网络
    5.1 基于元学习的权重时序正则化域对抗网络
        5.1.1 数据随机增广模块
        5.1.2 元训练模块
        5.1.3 权重时序集成模块
        5.1.4 元预测模块
    5.2 基于元学习的权重时序正则化域对抗网络算法流程
    5.3 实验内容和结果分析
        5.3.1 数据集
        5.3.2 实验设置
        5.3.3 实验结果
        5.3.4 实验结果分析
    5.4 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3763490