基于稀疏表示和过程学习的迁移学习分类方法

发布时间：2024-05-12 23:36

　　领域自适应方法旨在利用丰富的源域知识来帮助目标域任务的学习。与传统的机器学习假设不同,域自适应学习中存在的两个数据域:源域和目标域,分别遵循相近但不完全相同的分布。领域自适应中通常存在三种学习方法:(1)样本自适应方法,(2)特征自适应方法,(3)模型自适应方法。本文分别针对前两种方法进行探索并研究了提升分类模型效果的改进方案,研究方案主要包括以下的两个内容:首先,针对特征自适应方法,在常见的利用映射子空间方法解决源域和目标域分布差异性的方法中,保留映射前的数据特性对于性能的提升是尤为重要的。不同于常见的流形结构特性,本文在模型的构造中着重保留了更适用于图像分类的稀疏结构特性,进而提出一种可用于图像分类的稀疏结构保持的领域自适应学习方法(简称DASSP)。与针对局部结构信息保留的流形正则化不同,本文通过稀疏表示对图像样本进行了重构,保留了图像之间的全局性信息,而通过实验,证明了该结构特性对于模型性能的提升效果。其次,在样本自适应方法中,如何选择和传递相关知识是学习的关键。本文提出了一种新的基于过程学习的领域自适应模型(PDA),该模型试图考虑基于关联的迁移顺序来传递源域知识。具体来说,...

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

图3.1图像数据(a)流形结构，(b)稀疏重构

南京邮电大学专业学位硕士研究生学位论文第三章基于稀疏表示的域自适应学习方法结构特性，在迁移学习中，往往会加入一个流形正则化项用以约束分类器保留原始空间的流形结构特性，但是流形结构体现的仅是数据局部的特性，有着一定的约束性，因而我们希望找到一种更能体现整体性的结构特性，来替换流....

图3.2图像数据(a)USPS，(b)MNIST，(c)MSRC，(d)VOC2007，(e)Caltech-10，(f)DSLR，(g)

(a)(b)(c)(d)(e)(f)(g)图3.2图像数据(a)USPS，(b)MNIST，(c)MSRC，(d)VOC2007，(e)Caltech-10，(f)DSLR，(g)Webcam

图4.1在“猫”的帮助下学习(a)“狗”，从更相关的(b)开始，然后是(c)，按照一种有意义的方式排序

邮电大学专业学位硕士研究生学位论文第四章基于过程学习的域自适应学习方（2）反向分类（reverseclassification）方法被使用，以确定迭代的终止，这样能保证只关的知识被迁移。（3）在一些常用的真实数据集上，实验证明了PDA比大多数现在的其他方法都有更果。

图4.2自步学习实例，学习数学从一年级，然后是三年级，按照“难易度”进行学习

最相关的知识被迁移。（3）在一些常用的真实数据集上，实验证明了PDA比大多数现在的其他方法都有更好的效果。(a)(b)(c)图4.1在“猫”的帮助下学习(a)“狗”，从更相关的(b)开始，然后是(c)，按照一种有意义的方式排序。4.2相关工作4.2.1基于多样性的....

本文编号：3972054