基于图像识别的无监督领域自适应方法研究

发布时间：2020-09-02 13:09

　　目前深度神经网络已成功应用于众多机器学习任务,并展现出了惊人的性能提升效果。然而,传统机器学习算法假定训练数据和测试数据服从的是同一分布,而这种假设在实际应用中往往是不成立的。如果训练数据和测试数据的分布差异很大,那么由传统机器学习算法所训练出来的分类器的性能将会大大降低。领域自适应学习就是关于如何将分类器从源域(训练场景)适配到目标域(测试场景)的问题。它可以有效地提取两个领域的领域不变特征,从而提高最终的分类准确率。因此本文就针对基于图像识别的领域自适应问题,展开深入研究,并根据现有领域自适应方法存在的不足,提出更优秀的改进算法来解决领域自适应问题。本文的主要研究内容如下:(1)本文首先阐述了领域自适应学习的研究背景和发展现状,并对领域自适应方法作了详细的对比与分析。通过分析不同思路的领域自适应方法,比较其存在的优点和不足,从而引出本文在领域自适应问题上的研究方向。(2)针对源域样本与目标域样本不相似的特性,提出了一种多重加权子空间对齐方法。通过重新加权样本数据来生成加权子空间;然后利用PCA方法和本文提出的贪心策略进行多个加权子空间拟合;最后通过利用格拉斯曼流形的微分几何工具来对齐源域和目标域的子空间集,并构建最近邻分类器来获得源域和目标域的最终数据表示。(3)针对深度神经网络学习的特征表示特别适合于由原始数据本身建立的分类任务这一特性,搭建了一个基于多层校正的神经网络结构。通过添加小的校正项来校正目标数据的内部表示,使它们模拟源域数据的分布。对于目标数据的残差层,我们通过添加校正使得源域的数据分类器能适应目标域,并利用加法叠加来完美地对齐源域和目标域的数据表示。然后,考虑到如果不考虑类的先验分布,则很容易忽略类别权重偏差,从而导致域适应性能的下降。因此,我们引入特定类的辅助权重来重写设定源样本。以这种方式,重新加权的源数据将与目标数据共享相同的类别权重。此外,我们还使用多个权值MMD来修正全连接层,增加网络的表示能力。最后,提取学习获得的域不变特征并进行分类,以获得目标图像的最终识别效果。
【学位单位】：浙江工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

数字图像,图像识别

浙江工业大学硕士学位论文1.2 国内外研究现状1.2.1 图像识别研究现状图像识别主要是指识别和检测数字图像或视频中的对象或特征的过程，其目的是为了让计算机代替人类去处理大量的图形图像及真实物体信息。近年来，随着图像识别技术的快速发展，诸如人脸识别、车牌识别、手势识别等的图像识别已然成为模式识别领域的研究热点。图像识别已经广泛应用到于日常生活当中，并在许多领域得到了商业化应用[6]。图像识别的基本框架如图 2-1 所示。训练阶段主要通过提取图像特征来学习目标分类器，测试阶段利用已训练好的分类模型来获得识别结果。两个阶段主要由三个环节组成：图像预处理、特征提取以及分类器学习。

效果图,示例,效果,领域

(2-4)图2-1 TCA算法的示例效果Figure 2-1. Example effect of the TCAalgorithm如图所示，对比 PCA 算法，采用 TCA 算法后源域和目标域的特征映射相似性更高、数据分布更接近，这样建立的模型分类精度也更加准确。TCA 实现简单，方法本身也没有太多的限制，其思想对后续方法的提出了奠定重要的基础。2.1.2 深度领域混淆深度神经网络可以学习可迁移特征，这些特征在新的任务上表现出很好的泛化能力。然而随着网络层数的增加，深度特征由一般向特殊转变，特征的可迁移能力在网络高层急剧下降，这大大地增加了领域之间的差异性。为了减少深度网络中领域之间的差异性

网络结构图,网络结构,适配

浙江工业大学硕士学位论文12图2-3 DAN网络结构[20]Figure 2-3. DAN network structure原来的 DDC 方法只是适配了一层，现在 DAN 也是基于 AlexNet 网络，并适配最后三层。为什么是这三层？因为网络的迁移能力在这三层开始就会具有一定的特异性，所以要着重适配这三层。MK-MMD 是基于原来的 MMD 发展而来的。原来的 MMD 把源域和目标域用一个相同的映射映射在一个再生核希尔伯特空间（RKHS）中，然后求得映射后两部分数据的均值差异，当作是两部分数据的差异[44]。在 MMD 中核是固定的，我们在实现的时候可以选择是高斯核或者线性核。这样的缺点很明显：怎么知道哪个核一定好？MK-MMD 就是为了解决这个问题。它提出用多个核去构造这个总的核，这样效果肯定会比一个核更好。对于两个概率分布 p 和 q

【相似文献】