小样本图像分类与生成算法实现与性能分析

发布时间：2024-05-19 23:57

　　目前深度学习技术已经在计算机视觉领域取得了极大的成功,在例如医疗影像、身份识别、智能交通、图像合成等领域得到广泛的应用,随着深度学习算法的不断发展与技术突破,人工智能技术正逐渐广泛的进入社会的方方面面,成为关系国计民生的重要技术。然而目前大多深度学习模型若想取得较好的效果通常都需要依赖于海量的数据集资源,高精度的模型往往伴随着更深层的网络结构,更苛刻的硬件资源需求以及更大量且具有多样性的训练数据。一方面这将耗费大量的人力和财力,另一方面在现实中的一些情境下很难采集如此大量的数据,数据稀缺常常是深度学习技术面临的主要问题,这无疑限制了深度学习技术的发展与实际应用,成为技术发展的瓶颈,因此对小样本学习技术的研究具有重要的理论意义和应用价值。目前的深度神经网络算法也缺乏一定的可解释性,模型的泛化能力以及算法本身仍具有很大的改进空间。近几年图像生成技术也得到学术界广泛的关注,在人脸生成、图像超分辨率、图像风格迁移、图像修复等场景都取得了显著成功,图像生成技术也有助于更好的建模样本数据,与图像识别技术相辅相成,并且可以通过扩充数据集进一步提升识别模型的准确率,而图像生成技术在训练的稳定性以及生成...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 引言
    1.1 研究背景
    1.2 相关工作和研究内容
    1.3 论文结构
第2章 小样本学习及胶囊路由
    2.1 小样本学习技术
        2.1.1 元学习方法
        2.1.2 度量学习方法
    2.2 胶囊路由算法
        2.2.1 向量胶囊路由
        2.2.2 期望最大化算法
        2.2.3 EM路由算法
    2.3 改进的小样本学习算法
        2.3.1 大边际余弦损失
        2.3.2 前向传播算法
        2.3.3 模型训练过程
第3章 图像生成模型
    3.1 常用的图像生成技术
        3.1.1 对抗生成网络
        3.1.2 变分自编码器
    3.2 混合模型
    3.3 改进的小样本图像生成模型
        3.3.1 算法原理
        3.3.2 训练策略
第4章 实验过程与性能分析
    4.1 实验环境
    4.2 数据集设置与预处理
    4.3 实验设置与分析
        4.3.1 小样本图像分类实验
        4.3.2 小样本图像生成实验
第5章 总结与展望
    5.1 本文工作总结
    5.2 未来研究方向
参考文献
致谢
攻读学位期间发表的学术论文目录
学位论文评阅及答辩情况表



本文编号：3978645