小样本计算机视觉问题的研究
发布时间：2022-08-08 15:47
随着深度学习的发展,计算机视觉技术有了长足的进步,并在娱乐,安防,工业控制等等各个领域发挥了重要作用。这个巨大进步主要是由于以卷积神经网络（Convolution Neural Network,CNN）为代表的有监督深度学习模型的有效性。但CNN的良好性能需要大量有标签数据集来训练,然而很多计算机视觉问题并不能满足这个要求,并且获取大量有标签样本往往需要高昂的代价。因此对于如何解决小样本计算机视觉问题的研究很有必要。由于计算机视觉问题的复杂性及原始数据的高维性,为了更好的表征样本,样本特征维度也比较高。而在高维的小样本上去训练判别器,容易导致判别器过拟合。因此本文主要目的是针对计算机视觉中的高维小样本问题,设计出若干泛化能力相对较强的判别器。由于在训练过程中,常规计算机视觉问题判别器的输入包括如下几部分:样本,标签,或对应的任务编号（如果是多任务问题）。因此本文从样本学习顺序,样本任务间关联性,样本表征能力,自动扩大样本四个方面以及这些方面相互结合的角度出发去设计泛化能力更强的判别器。具体如下:首先从样本学习顺序角度出发,提出了一种新的计算机学习框架——基于特权信息的自步学习（Self...
【文章页数】：132 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及研究意义
1.2 国内外研究现状
1.2.1 自步学习
1.2.2 多任务学习
1.2.3 多模态学习
1.2.4 生成式对抗网络
1.3 研究动机及本文结构
第二章 基于特权信息的自步学习
2.1 引言
2.2 背景知识简介
2.2.1 自步学习
2.2.2 特权学习
2.3 基于特权信息的自步学习
2.3.1 基本概念
2.3.2 建模
2.3.3 优化算法
2.4 实验结果
2.4.1 对比算法
2.4.2 数据集,特征,实验配置和参数选择
2.4.3 实验结果
2.4.4 模型分析
2.4.5 训练时间
2.5 本章小结
第三章 基于序列实例和任务的多任务分类
3.1 引言
3.2 背景知识简介
3.2.1 多任务学习
3.2.2 自步学习
3.3 基于序列实例和任务的多任务分类
3.3.1 基本概念
3.3.2 基于序列任务的多任务分类
3.3.3 基于序列实例和任务的多任务分类
3.4 优化算法
3.4.1 任务到实例
3.4.2 实例到任务
3.4.3 整个优化过程
3.4.4 理论分析
3.5 实验结果
3.5.1 对比算法
3.5.2 数据集,特征,实验配置和参数选择
3.5.3 实验结果
3.5.4 模型分析
3.5.5 训练时间
3.6 本章小结
第四章 基于多模态自步学习的图像分类
4.1 引言
4.2 背景知识
4.2.1 自步学习
4.2.2 多模态学习
4.3 基于多模态自步学习的图像分类
4.3.1 基本概念
4.3.2 建模
4.3.3 优化算法
4.4 实验结果
4.4.1 对比算法
4.4.2 数据集,特征,实验配置和参数选择
4.4.3 实验结果
4.4.4 模型分析
4.4.5 对比基于深度学习特征的方法
4.4.6 训练时间
4.5 本章小结
第五章 基于循环一致对抗网络的图像去雨
5.1 引言
5.2 背景知识
5.2.1 单幅图像去雨
5.2.2 生成式对抗网络
5.3 基于循环一致对抗网络的无配对图像去雨
5.3.1 基本概念
5.3.2 建模
5.3.3 网络结构
5.4 实验结果
5.4.1 对比算法
5.4.2 数据集,实验配置和参数选择
5.4.3 实验结果
5.4.4 模型分析
5.4.5 运行时间对比
5.4.6 高层任务效果
5.5 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来工作
6.2.1 算法方向
6.2.2 应用方向
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目
本文编号：3671787
【文章页数】：132 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及研究意义
1.2 国内外研究现状
1.2.1 自步学习
1.2.2 多任务学习
1.2.3 多模态学习
1.2.4 生成式对抗网络
1.3 研究动机及本文结构
第二章 基于特权信息的自步学习
2.1 引言
2.2 背景知识简介
2.2.1 自步学习
2.2.2 特权学习
2.3 基于特权信息的自步学习
2.3.1 基本概念
2.3.2 建模
2.3.3 优化算法
2.4 实验结果
2.4.1 对比算法
2.4.2 数据集,特征,实验配置和参数选择
2.4.3 实验结果
2.4.4 模型分析
2.4.5 训练时间
2.5 本章小结
第三章 基于序列实例和任务的多任务分类
3.1 引言
3.2 背景知识简介
3.2.1 多任务学习
3.2.2 自步学习
3.3 基于序列实例和任务的多任务分类
3.3.1 基本概念
3.3.2 基于序列任务的多任务分类
3.3.3 基于序列实例和任务的多任务分类
3.4 优化算法
3.4.1 任务到实例
3.4.2 实例到任务
3.4.3 整个优化过程
3.4.4 理论分析
3.5 实验结果
3.5.1 对比算法
3.5.2 数据集,特征,实验配置和参数选择
3.5.3 实验结果
3.5.4 模型分析
3.5.5 训练时间
3.6 本章小结
第四章 基于多模态自步学习的图像分类
4.1 引言
4.2 背景知识
4.2.1 自步学习
4.2.2 多模态学习
4.3 基于多模态自步学习的图像分类
4.3.1 基本概念
4.3.2 建模
4.3.3 优化算法
4.4 实验结果
4.4.1 对比算法
4.4.2 数据集,特征,实验配置和参数选择
4.4.3 实验结果
4.4.4 模型分析
4.4.5 对比基于深度学习特征的方法
4.4.6 训练时间
4.5 本章小结
第五章 基于循环一致对抗网络的图像去雨
5.1 引言
5.2 背景知识
5.2.1 单幅图像去雨
5.2.2 生成式对抗网络
5.3 基于循环一致对抗网络的无配对图像去雨
5.3.1 基本概念
5.3.2 建模
5.3.3 网络结构
5.4 实验结果
5.4.1 对比算法
5.4.2 数据集,实验配置和参数选择
5.4.3 实验结果
5.4.4 模型分析
5.4.5 运行时间对比
5.4.6 高层任务效果
5.5 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来工作
6.2.1 算法方向
6.2.2 应用方向
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目
本文编号：3671787
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3671787.html
