主动学习和半监督学习的视觉数据分类方法研究

发布时间：2022-11-05 09:46

　　随着社会经济的发展和信息技术的进步,各行各业累积并存储了海量数据。使用机器学习方法对数据进行处理和分析扮演着尤为重要的角色。我们知道,在监督学习领域,标记样本的数量和质量是影响学习效果的重要因素,但是标记样本的获取需要付出一定的代价。在很多机器学习任务中,无法获得充足的标记样本训练模型。主动学习、迁移学习和半监督学习是三种解决标记样本缺乏问题的方法。前人在这三个领域已有颇多的研究,但是仍存在一些值得深入探索的问题。例如,当相关领域已经累积一定的标记样本时,可以将迁移学习与主动学习结合来解决标记样本缺乏的问题。然而,如何将主动学习和迁移学习有机地结合在一起形成统一框架,充分发挥二者的优势,仍然值得我们思考。又如,当标记样本数量有限而未标记样本非常丰富时,可以使用基于图的半监督学习解决样本缺乏问题。然而在基于图的半监督学习中,如何克服模型对于标签噪声敏感的问题,也需要继续探究。针对这些问题,本文提出两种创新性的方法。第一,将主动学习与迁移学习结合,提出了一种基于熵的主动迁移学习方法。这种方法同时结合了主动学习与迁移学习的优点,既能够通过主动查询减少标注大量样本带来的工作量,又能够充分利用源... 

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 研究内容
    1.3 论文组织结构
第二章 主动学习和半监督学习基础理论
    2.1 主动学习
        2.1.1 不确定性抽样
        2.1.2 委员会查询
        2.1.3 期望模型改变
        2.1.4 批模式主动学习中的多样性策略
        2.1.5 结合迁移学习的主动学习
    2.2 半监督学习
        2.2.1 生成式模型
        2.2.2 自训练和协同训练
        2.2.3 转导支持向量机
        2.2.4 基于图的半监督方法
    2.3 本章小结
第三章 基于熵的主动迁移学习方法
    3.1 引言
    3.2 基于熵的主动迁移学习方法
        3.2.1 主动学习
        3.2.2 领域适应
        3.2.3 主动学习与迁移学习的结合
    3.3 实验
        3.3.1 实验设置
        3.3.2 实验结果和分析
            3.3.2.1 UCI数据集实验结果
            3.3.2.2 TCIA数据集实验结果
    3.4 本章小结
第四章 基于最大相关熵和图的鲁棒性半监督学习方法
    4.1 引言
    4.2 基于最大相关熵和图的鲁棒性半监督学习方法
        4.2.1 鲁棒性模型
        4.2.2 优化问题求解
        4.2.3 预测
    4.3 实验
        4.3.1 实验设置
        4.3.2 实验结果和分析
            4.3.2.1 PASCAL VOC 2007数据集实验结果
            4.3.2.2 AWA数据集实验结果
            4.3.2.3 ImageNet数据集实验结果
            4.3.2.4 RGSSL-MCC中两点改进的分析
            4.3.2.5 讨论
    4.4 本章小结
第五章 总结
    5.1 全文总结
    5.2 后续工作展望
参考文献
附录
致谢



本文编号：3702379