基于迁移学习与深度卷积的图像分类研究
发布时间：2020-12-10 13:15
随着大数据和移动互联的发展,越来越多图像数量如洪水一般的出现,由于图像数量巨大,对于图像分类的模型要求越来越强,不仅针对模型的复杂度,还有运行的效率,所以需要研究一种方法来快速高效的解决图像分类问题。迁移学习是指将以前学到的经验知识迁移到新的任务学习里,帮助新任务的学习分类。其就是以一种学习方式来影响另外一种学习。迁移学习解决了传统机器学习中训练和测试数据必须服从相同分布的局限性,其可以在源域与目标域之间深挖到恒定不变结构与特征,并且对于领域的任务来说还能高效的进行信息共享迁移,也可对于源域有标注的监督信息进行迁移复用。本文提出基于迁移学习与深度卷积神经网络在图像分类上的研究方法,主要有:(1]针对普通的图像分类,本文提出基于特征映射迁移学习的图像分类方法,采用MK-MMD+联合概率适配的方法来降低目标域和源域的差异值,运用深度卷积神经网络进而抽取出高度“浓缩”的特征向量,使分类器能更加准确的判断出所属类别。MK-MMD是在MMD中进化而来,对于采用MMD+联合概率适配的JDA算法来说,最重要的是核k,由于具有单一固定核局限性问题,在实际运用中存在高斯核或者线性核等选择性的情况,所以这...
【文章来源】：山东科技大学山东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
Ｆｉｇ?２．３．２?Ｉｍａｇｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ｔｈｅ?ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??可以看出，ＲｅＬＵ单元左侧一直为固定值，右侧梯度为递增恒值，从而避免ＤＣＮＮ??时的梯度消失问题，也为让卷积特征能更加稀疏，因而更加适用于ＤＣＮＮ。在ＤＣＮＮ??过程中，如果开始设置较大的学习率，那么很有可能造成网络中的大部分神经元出??值无法更新的“神经元死亡”状态，所以设置一个合适的较小的初始学习率也是必??选择。??３?ＤＣＮＮ?池化??在对图像进行卷积和非线性变换后，通常还需要对得到的特征图进行降采样池化来??特征维度，同时提高鲁棒性能。为了解决随着卷积核的增加每张图像上的卷积特征??也增加，形成高维的特征容易产生过拟合的问题，这里可以采用计算图像上的某个??的特征平均值，通过聚合，不仅使卷积特征维度降低，还能防止网络过拟合从而提??别能力，这种操作办法就叫做池化，或者称为降采样，常用的操作有平均池化和最??．．一Ｘ一
【参考文献】：
期刊论文
[1]基于迁移学习的癫痫EEG信号自适应识别[J]. 杨昌健,邓赵红,蒋亦樟,王士同. 计算机科学与探索. 2014(03)
[2]基于自适应聚类的虚假评论检测[J]. 宋海霞,严馨,余正涛,石林宾,苏斐. 南京大学学报(自然科学版). 2013(04)
[3]Inductive transfer learning for unlabeled target-domain via hybrid regularization[J]. ZHUANG FuZhen1,3, LUO Ping2, HE Qing1 & SHI ZhongZhi1 1 Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China; 2 Hewlett Packard Labs China, Beijing 100084, China; 3 Graduate University of Chinese Academy of Sciences, Beijing 100190, China.. Chinese Science Bulletin. 2009(14)
[4]一种基于词聚类的中文文本主题抽取方法[J]. 陈炯,张永奎. 计算机应用. 2005(04)
博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
[2]迁移学习在文本分类中的应用研究[D]. 孟佳娜.大连理工大学 2011
硕士论文
[1]基于深度卷积神经网络的室外场景理解研究[D]. 文俊.杭州电子科技大学 2016
本文编号：2908758
【文章来源】：山东科技大学山东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
Ｆｉｇ?２．３．２?Ｉｍａｇｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ｔｈｅ?ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??可以看出，ＲｅＬＵ单元左侧一直为固定值，右侧梯度为递增恒值，从而避免ＤＣＮＮ??时的梯度消失问题，也为让卷积特征能更加稀疏，因而更加适用于ＤＣＮＮ。在ＤＣＮＮ??过程中，如果开始设置较大的学习率，那么很有可能造成网络中的大部分神经元出??值无法更新的“神经元死亡”状态，所以设置一个合适的较小的初始学习率也是必??选择。??３?ＤＣＮＮ?池化??在对图像进行卷积和非线性变换后，通常还需要对得到的特征图进行降采样池化来??特征维度，同时提高鲁棒性能。为了解决随着卷积核的增加每张图像上的卷积特征??也增加，形成高维的特征容易产生过拟合的问题，这里可以采用计算图像上的某个??的特征平均值，通过聚合，不仅使卷积特征维度降低，还能防止网络过拟合从而提??别能力，这种操作办法就叫做池化，或者称为降采样，常用的操作有平均池化和最??．．一Ｘ一
【参考文献】：
期刊论文
[1]基于迁移学习的癫痫EEG信号自适应识别[J]. 杨昌健,邓赵红,蒋亦樟,王士同. 计算机科学与探索. 2014(03)
[2]基于自适应聚类的虚假评论检测[J]. 宋海霞,严馨,余正涛,石林宾,苏斐. 南京大学学报(自然科学版). 2013(04)
[3]Inductive transfer learning for unlabeled target-domain via hybrid regularization[J]. ZHUANG FuZhen1,3, LUO Ping2, HE Qing1 & SHI ZhongZhi1 1 Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China; 2 Hewlett Packard Labs China, Beijing 100084, China; 3 Graduate University of Chinese Academy of Sciences, Beijing 100190, China.. Chinese Science Bulletin. 2009(14)
[4]一种基于词聚类的中文文本主题抽取方法[J]. 陈炯,张永奎. 计算机应用. 2005(04)
博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
[2]迁移学习在文本分类中的应用研究[D]. 孟佳娜.大连理工大学 2011
硕士论文
[1]基于深度卷积神经网络的室外场景理解研究[D]. 文俊.杭州电子科技大学 2016
本文编号：2908758
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2908758.html
