基于集成学习的目标感知与应用

发布时间：2020-11-01 11:40

　　 数字信息洪流时代的来临使得目标感知的性能显得尤为重要。传统模型在面对不同表现形式的感知目标时,很难达到满足目标感知性能的目的。因此基于集成学习的感知方案由于其性能优越性在目标感知中愈发显示出其重要意义。本文针对数字图像设备感知,可见光图像内容感知和SAR图像信号感知,三种目标感知场景进行深入研究。从目标感知的应用性和集成学习算法在特定感知表现的适用性进行深入研究,对于三种表现形式的感知目标均提出基于集成学习的感知性能提升方案,本文的主要研究工作如下:(1)对于数字图像设备感知,本文提出基于多相机指纹集成的实时相机溯源决策方法。本文构建了由25部手机拍摄的100部视频集来建立该任务的数据库。对于视频流溯源任务,我们提出实时视频相机感知计算方式和基于集成策略的最终溯源方案。该集成方案显著提升了溯源的性能,对于安卓手机达到98.161%的溯源准确率,性能显著高于单模型。(2)对于可见光图像内容感知,本文提出多样性主动约束和被动约束的深度集成方案,分析了主动约束深度方案的参数不稳定性,以及被动约束深度集成方案的网络多样性生成原理。对于深度集成网络参数过大的问题,提出基于多样性被动约束的深度集成蒸馏方案。对于传统集成网络蒸馏方案训练次数过多的问题,本文提出惰性再生网络(Lazy Born Again Network),基于循环学习率的学习模式,利用训练过程中周期生成的历史网络快照蒸馏后面的训练过程,在单次训练中就能达到传统集成蒸馏网络的性能。(3)对于SAR图像信号感知,本文提出Flexible py-StackNet(FPS)集成学习框架。该框架将原始的Stacking思想拆解为学习层、数据流层和效果评估层,基于学习层实现了多模型的一站式学习方案、基于数据流层实现了灵活的特征组合和特征流向方案、基于效果评估层实现了实时评估和自适应的模型选择方案。基于该FPS框架的SAR图像信号感知方案取得了首届航天星图杯高分软件大赛SAR图像分类任务的冠军,验证了该框架的有效性。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP18;TP391.41
【部分图文】：

ＩｍａｇｅＮｅｔ２０１５竞赛的冠军，ＲｅｓＮｅｔ网络创新性的提出了基于跳层的残差块结构，??并在一定程度解决了由于网络深度增加而导致的过拟合和梯度消失的问题，使得??训练超大深度的深度神经网络成为可能。残差网络中典型的残差模块结构如图２－１??所示：??Ｗｅｉｇｈｔ?ｌａｙｅｒ??ｍ?＼??Ｗｅｉｇｈｔ?ｌａｙｅｒ??胁ｘ??ｒｅｌｕ??图２－１残差模块??Ｆｉｇｕｒｅ?２－１?Ｒｅｓｉｄｕａｌ?Ｂｌｏｃｋ??８??

?（２－１６）??所以每一个非线性层都需要去拟合输出和输入的残差，这也是其称之为残差神经网??络的原因，我们以标准的为ＩｍａｇｅＮｅｔ设计的１８层残差神经网络为例，基于图２－２，??残差神经网络的结构进行简要分析。我们将上述结构拆解为４个模块分别是??ｃｏｎｖ＿ｌ，ｃｏｎｖ＿２，ｃｏｎｖ＿３，ｃｏｎｖ＿４?和?ｃｏｎｖ＿５?五部分组成，ｃｏｎｖ＿ｌ?是由固定的?６４??个７Ｘ７卷积核组成，在Ｃ〇ｎｖ＿ｌ后有一个固定的池化层来对ｃｏｎｖ＿ｌ输出的特征图??的尺寸进行减半。其中ｃｏｒｗ＿２可以拆解为两个子模块，每个子模块可以拆解为６４??个３?Ｘ?３的卷积核组成，每个模块的第一个卷积层通过将步长调整为２将ｆｅａｔｕｒｅ?ｍａｐ??的尺寸减半。在ｃｏｎｖ＿２到ｃｏｎｖ＿４同样都是可以拆解为两个子模块

进行改进的，通过将原来的１６，?３２，?６４卷积核数量设计进行ｉｔ倍的扩展来提升泛化??性能，此外这种网络结构仅仅需要很浅的层数设计，避免了过深的ＲｅｓＮｅｔ大部分??残差块学不到有价值信息的问题，具体的网络结构如图２－４所示。??此外谷歌对ＷｉｄｅＲｅｓＮｅｔ的最新研宄表明它在梯度下降过程中和线性模型??的表现几乎一致，无限宽的深度网络可以看作一个高斯过程，这种网络不仅在理??论上易于证明，而且在泛化性能表现上也更好。??１０??
【相似文献】

相关期刊论文 前10条

1 王一宾;田文泉;程玉胜;;基于标记分布学习的异态集成学习算法[J];模式识别与人工智能;2019年10期

2 徐继伟;杨云;;集成学习方法:研究综述[J];云南大学学报(自然科学版);2018年06期

3 武玉英;严勇;蒋国瑞;;基于动态选择性集成学习的供应链产销协商优化策略[J];计算机工程;2017年05期

4 张沧生;崔丽娟;杨刚;倪志宏;;集成学习算法的比较研究[J];河北大学学报(自然科学版);2007年05期

5 郭福亮;周钢;;集成学习中预测精度的影响因素分析[J];兵工自动化;2019年01期

6 曾一平;;基于集成学习的小麦识别研究[J];现代商贸工业;2019年17期

7 米硕;孙瑞彬;李欣;明晓;;集成学习在文本分类问题中的应用[J];中国新通信;2018年09期

8 李晔;刘胜利;张兆林;;基于漂移检测和集成学习的木马检测模型[J];信息工程大学学报;2017年06期

9 徐桂云;陈跃;张晓光;刘云楷;;基于选择性集成学习的焊接缺陷识别研究[J];中国矿业大学学报;2011年06期

10 张春霞;张讲社;;选择性集成学习算法综述[J];计算机学报;2011年08期

相关博士学位论文 前10条

1 张巧生;基于组学数据的癌症生物学通路分析方法研究[D];哈尔滨工业大学;2019年

2 李艳秋;基于集成学习的人脸识别研究[D];合肥工业大学;2018年

3 赵鹤;面向高维大数据的子空间集成学习方法研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2017年

4 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

5 侯勇;特征提取与集成学习算法的研究及应用[D];北京科技大学;2015年

6 孙永宣;集成学习下的图像分析关键问题研究[D];合肥工业大学;2013年

7 尹华;面向高维和不平衡数据分类的集成学习研究[D];武汉大学;2012年

8 阿里木·赛买提(Alim.Samat);基于集成学习的全极化SAR图像分类研究[D];南京大学;2015年

9 刘冲;模拟电路故障诊断AdaBoost集成学习方法研究[D];大连海事大学;2011年

10 钮冰;基于集成学习算法的若干生物信息学问题研究[D];上海大学;2009年

相关硕士学位论文 前10条

1 尹伊人;基于集成学习的列车能耗预测方法研究及系统设计[D];北京交通大学;2019年

2 江政;融合集成学习与解释性方法的老年健康知识发现研究[D];合肥工业大学;2019年

3 谢若鹏;基于有效特征探索和集成学习模型的赖氨酸丙二酰化位点分析与预测[D];桂林电子科技大学;2019年

4 何沂娟;基于集成学习的非平衡恶意文本检测[D];电子科技大学;2019年

5 金妙然;基于语义向量的集成学习研究与应用[D];电子科技大学;2019年

6 詹乐;基于集成学习的推荐算法及优化研究[D];桂林电子科技大学;2019年

7 马浩天;集成学习在网络入侵检测中的应用[D];电子科技大学;2019年

8 卢勇全;基于集成学习的偏标记学习算法研究[D];桂林电子科技大学;2019年

9 吕克敌;基于集成学习与进化算法的停车位预测算法研究[D];吉林大学;2019年

10 董凤伟;基于集成学习的传染性肝病辅助诊断系统的研究与实现[D];江苏大学;2019年

本文编号：2865479