基于卷积神经网络的主动序贯三支决策模型及其应用

发布时间：2023-12-07 20:29

　　人脸识别一直以来都是人工智能领域一个研究热点,随着计算机与互联网的发展,许多学者提出了高精度的人脸识别算法。这些算法大多是基于大量有标记样本,并且默认分类错误的代价是相同的,然而这样的设定在大多数现实场景中是难以满足的。为了解决样本标记稀缺时的代价敏感人脸识别问题,本文基于多粒度分类场景中广泛应用的序贯三支决策理论,提出一个基于卷积神经网络的主动序贯三支决策模型。本文将序贯三支决策与主动学习策略结合用于解决动态增量人脸识别问题。首先,为了从图片中提取出决策信息用于构造出不同层次的粒度,本文用深度卷积神经网络提取特征作为图片的描述。其次,考虑到延迟决策应随信息量增加而更不可接受,本文在序贯三支决策理论的基础上提出了延迟决策代价随信息量动态变化的动态边界域思想。该思想更加符合人类思维模式,能够使得序贯过程中边界域快速缩小直至消失。最后,考虑到很多情况下,获取足够的有标记样本是昂贵甚至是不可能的,因此采用主动学习方法选择待标记样本。受非极大值抑制思想的启发,本文提出了非极大值抑制不确定性采样策略。本模型采用主动学习策略逐步获取有标记图片,构建了多级决策粒度,并综合考虑决策代价和训练代价选择出...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 研究现状
        1.2.1 深度学习的研究现状
        1.2.2 三支决策的研究现状
        1.2.3 主动学习的研究现状
    1.3 主要研究内容
        1.3.1 卷积神经网络的结构与选择
        1.3.2 动态序贯三支决策
        1.3.3 主动学习的研究与改进
    1.4 章节安排
第二章 卷积神经网络的结构与选择
    2.1 引言
    2.2 卷积神经网络结构
        2.2.1 卷积层
        2.2.2 非线性激活
        2.2.3 池化层
        2.2.4 分类层
    2.3 网络模型选择
    2.4 本章小结
第三章 动态序贯三支决策
    3.1 引言
    3.2 三支决策理论
    3.3 序贯三支决策模型
    3.4 动态序贯三支决策
    3.5 本章小结
第四章 主动学习的研究与改进
    4.1 引言
    4.2 基于池的主动学习
    4.3 样本选择策略
        4.3.1 不确定性采样策略
        4.3.2 委员会投票策略
        4.3.3 信息密度策略
    4.4 基于非极大值抑制的选择策略
        4.4.1 非极大值抑制
        4.4.2 选择策略改进
    4.5 本章小结
第五章 基于主动学习的动态序贯三支决策模型
    5.1 引言
    5.2 模型的流程与设计
        5.2.1 模型流程
        5.2.2 代价计算方式
    5.3 实验设计
        5.3.1 数据集介绍
        5.3.2 参数设定
    5.4 二支决策与三支决策结果分析
        5.4.1 决策代价
        5.4.2 总代价
        5.4.3 准确率
        5.4.4 边界域
    5.5 主动学习策略性能分析
        5.5.1 决策代价
        5.5.2 样本数
    5.6 本章小结
第六章 结论与展望
致谢
参考文献
攻读硕士学位期间发表的论文



本文编号：3871028