基于Res-Gan网络的零样本学习研究

发布时间：2022-02-21 04:49

　　零样本学习是目前迁移学习领域的研究热点之一,与传统的图像分类问题不同,零样本学习旨在识别从未见过的数据类别,即在测试阶段所分类和识别的样本未参与分类器模型的训练。在求解零样本学习问题过程中,为实现从可见类别到不可见类别的知识迁移,分类模型需要通过视觉属性等辅助知识构建从底层特征到类别标签的映射。属性是指可以通过人工标注并且能在图像中观察到的特性,是图像内容的高层描述,能够同时被机器和人理解。大量的研究显示了属性学习在目标识别、图像描述以及零样本学习等方面的作用。零样本学习的过程可以看做是图像与视觉属性之间的映射。为了便于研究,多数零样本学习不直接使用图片,而是利用既有的特征提取模型来提取图像的特征。提取出的特征称为特征空间,而用人工标定的属性被称为属性空间。零样本学习的过程又可以看做是特征空间与属性空间之间的映射。零样本学习有效的方法是将特征空间和属性空间的数据映射至一个嵌入空间,再利用KNN等分类算法对嵌入空间的数据进行处理。目前,为完成特征空间和属性空间到嵌入空间映射,应用最多的是基于神经网络的研究方法。而多数基于神经网络的方法都是浅层全连接,这使得网络映射很难有较高的准确率。为了... 

【文章来源】：大连理工大学辽宁省211工程院校985工程院校教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 研究现状
    1.3 本文工作与贡献
    1.4 本文结构
2 关键技术
    2.1 多层感知机
    2.2 迁移学习
    2.3 零样本学习
        2.3.1 视觉特征提取
        2.3.2 语义空间构建
        2.3.3 视觉-语义映射方法
    2.4 本章小结
3 基于属性加权的零样本学习
    3.1 问题定义
    3.2 属性加权算法
        3.2.1 网络结构
        3.2.2 损失函数
    3.3 实验结果与分析
        3.3.1 数据集
        3.3.2 评测指标
        3.3.3 算法收敛速度的比较与分析
        3.3.4 与其他算法准确率的比较与分析
    3.4 本章小结
4 结合残差思想的零样本学习方法
    4.1 关键技术
    4.2 模型结构
    4.3 激活函数的设计
        4.3.1 算法收敛速度的比较与分析
        4.3.2 算法准确率的比较与分析
    4.4 残差网络
        4.4.1 残差网络的设计
        4.4.2 残差网络算法收敛速度的比较与分析
        4.4.3 残差网络算法准确率的比较与分析
    4.5 本章小结
5 基于Res-Gan网络的零样本学习
    5.1 生成对抗网络
        5.1.1 生成式模型的应用
        5.1.2 GAN网络的训练方法
    5.2 GAN网络的种类
    5.3 关键技术
    5.4 模型结构
    5.5 实验结果与分析
        5.5.1 Res-Gan网络算法收敛速度的比较与分析
        5.5.2 Res-Gan网络算法准确率的比较与分析
    5.6 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3636530