神经网络在小样本数据集的研究及应用

发布时间：2022-12-11 00:21

　　神经网络是通过学习人脑构造和其运作流程来进行信息处理的系统,大都基于大量标记好的高质量样本进行训练。但是实际上,人脑更擅长于从少量的简单样本中去识别各种物体的不同之处。在很多真实情况下,往往会遇到难以积累到足量样本或数据取样困难的问题,这些问题限制了人工智能的发展。因此,如何使模型只通过小样本数据就能实现快速学习,成为目前十分重要的研究方向。噪声问题是小样本的关键问题。当数据量充足时,算法很容易就能区分关键信息和噪声,因此很容易在无用信息（同一类别的细节特征）和有效信息（不同类别的关键区分特征）之间进行区别。相反,由于小样本中的样本量过少,很难明确找到这样的信息。这时候,增加一些其他手段来加强类别的建模能力就显得至关重要了。此外,拍摄角度或实际情况的变化也会造成形象的差异,这可能会导致映射后同一类的数据点依旧十分分散,不能很好的聚集。本文的主要内容概述如下:第一,本文回顾了小样本学习的发展,介绍了几个经典的小样本方法。尽管这些方法都解决了小样本学习中的一些问题,并提出了新的研究思路,但尚未解决小样本噪声严重,提取特征不明显,对异常数据敏感等关键问题。第二,针对上述缺陷,本文提出了投影判... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 小样本学习的国内外研究历史与现状
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 小样本学习
    2.1 小样本学习的定义
    2.2 神经网络的理论基础
    2.3 基于度量学习的小样本学习算法
        2.3.1 原型网络
        2.3.2 匹配网络
        2.3.3 关系网络
    2.4 距离函数的探讨
    2.5 本章小结
第三章 基于小样本学习的投影判别网络
    3.1 投影判别网络
    3.2 特征提取模块
    3.3 特征嵌入模块
        3.3.1 多类别线性判别分析
        3.3.2 改进的多类别线性判别分析
    3.4 距离度量模块
    3.5 算法流程
    3.6 一些细节的讨论
    3.7 本章小结
第四章 基于小样本学习的投影核判别网络
    4.1 线性与非线性的问题
    4.2 改进的特征嵌入模块
        4.2.1 核方法、核技巧和核函数
        4.2.2 多类别核判别分析
        4.2.3 改进的多类别核判别分析
    4.3 本章小结
第五章 实验结果
    5.1 Mini Image Net数据集图片分类
    5.2 CUB数据集图片分类
    5.3 补充实验
        5.3.1 可行性实验
        5.3.2 不同嵌入的对比实验
        5.3.3 特征根的重要性排序
        5.3.4 不同距离函数的对比
    5.4 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献
附录A
附录B
攻读硕士学位期间取得的研究成果



本文编号：3717791