可预测判别字典学习网络研究

发布时间：2023-04-03 02:41

　　在最近几十年中人工智能领域获得了长足的发展,图像识别作为人工智能领域的最为重要应用之一逐渐深入各种生活场景,给人们的日常生活带来了极大的便利。基于字典学习的分类算法是图像识别方法中备受关注的研究方向之一。字典学习是一种重要的表达学习方法。在早先很多关于字典学习的研究中,研究者们借助字典学习所具有的生成模型的属性,利用过完备字典以及图像在其上的稀疏表达系数进行图像重建。然而,字典学习模型中的稀疏表达系数与对应的字典项同样也是优秀的特征,因此基于字典学习的图像分类算法逐渐获得了研究者们的关注。基于字典学习的图像分类算法依赖于具有优秀结构的字典,模型中字典需要保留数据集中最具代表性且最为关键的信息。此外,现有的基于字典学习的分类方法受限于传统字典学习低下的计算效率而难以应付许多实际应用场景。本文提出了一种新颖的判别字典学习网络框架,利用生成字典学习模型与神经网络模型协同学习一个具有特殊结构的字典,该字典同时捕获判别性信息与重构细节所需的描述性信息。判别性字典学习网络模型非常灵活,在快速推断测试样本标签的同时可以加速求解稀疏编码过程。更为重要的是,学得的字典剥离了图片细节信息与判别性信息,这使...

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 现存的问题及论文的研究内容
    1.4 论文的结构安排
第2章 字典学习相关方法概述
    2.1 字典学习的基本框架
    2.2 稀疏编码方法
        2.2.1 L₀范数最小化稀疏约束
        2.2.2 L₁范数最小化稀疏约束
        2.2.3 其他范数约束问题
    2.3 字典构造方法
        2.3.1 基于概率模型的字典构造方法
        2.3.2 基于聚类的字典构造方法
        2.3.3 具有特定结构的字典构造方法
    2.4 基于字典学习的分类方法
        2.4.1 利用稀疏编码分类
        2.4.2 利用重构字典分类
        2.4.3 结合两种分类策略
    2.5 字典学习参数化研究
    2.6 本章小结
第3章 判别字典学习参数化模型研究
    3.1 引言
    3.2 判别字典学习参数化框架
        3.2.1 字典学习框架解构
        3.2.2 构建判别字典学习参数化框架
    3.3 基于L₀范数约束的判别字典学习网络模型
        3.3.1 判别字典学习模块
        3.3.2 预测编码模块
        3.3.3 DDL_N-L₀最终模型
        3.3.4 模型优化求解
    3.4 基于L₁范数约束的判别字典学习网络模型
        3.4.1 判别字典学习模块
        3.4.2 预测编码模块
        3.4.3 DDL_N-L₁最终模型
        3.4.4 模型优化求解
    3.5 实验及相关分析
        3.5.1 实验参数设置
        3.5.2 实验结果及分析
    3.7 本章小结
第4章 基于拟梦境机制的DDL_N训练方法研究
    4.1 引言
    4.2 拟梦境方法
        4.2.1 关于UPKC的讨论
        4.2.2 拟梦境方法
    4.3 拟梦境训练实验
        4.3.1 实验参数设置
        4.3.2 实验结果及分析
    4.4 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3780487