圖像分類(lèi)作為計(jì)算機(jī)視覺(jué)、模式識(shí)別和機(jī)器學(xué)習(xí)等多個(gè)領(lǐng)域的交叉方向,旨在從圖像或圖像序列中提取判別性的特征并進(jìn)行歸類(lèi),使得機(jī)器視覺(jué)具有一定的識(shí)別能力。隨著大數(shù)據(jù)的出現(xiàn)和計(jì)算機(jī)運(yùn)算能力的不斷突破,深度學(xué)習(xí)在很多領(lǐng)域取得了顯著的成績(jī),廣泛應(yīng)用于醫(yī)療圖像處理、智能交通、電商平臺(tái)、人臉識(shí)別等領(lǐng)域。然而,目前的深度學(xué)習(xí)方法高度依賴(lài)于大量的標(biāo)注樣本。但大多數(shù)實(shí)際應(yīng)用場(chǎng)景仍嚴(yán)重缺乏標(biāo)注樣本,并且高質(zhì)量的標(biāo)簽將會(huì)產(chǎn)生昂貴的標(biāo)注成本。主動(dòng)學(xué)習(xí)方法通過(guò)合適的策略,主動(dòng)篩選或生成最能夠提升當(dāng)前模型性能的樣本;目標(biāo)模型基于專(zhuān)家標(biāo)注的樣本進(jìn)行迭代式地訓(xùn)練,從而不斷提升目標(biāo)模型的性能。主動(dòng)學(xué)習(xí)方法的核心目標(biāo)是使用盡可能少的標(biāo)注樣本達(dá)到預(yù)期的模型性能,從而顯著地減少標(biāo)注成本。主動(dòng)學(xué)習(xí)方法能夠在一定程度上緩解深度學(xué)習(xí)對(duì)大量標(biāo)注樣本的依賴(lài)問(wèn)題。因此,研究主動(dòng)學(xué)習(xí)策略及其在圖像分類(lèi)中的應(yīng)用是一項(xiàng)既富有挑戰(zhàn)又具有實(shí)際意義的工作。本文的主要工作具體如下:首先,我們對(duì)主動(dòng)學(xué)習(xí)方法和圖像分類(lèi)技術(shù)進(jìn)行了廣泛地調(diào)研并綜述,主要內(nèi)容包括:1)分別詳細(xì)地總結(jié)了基于傳統(tǒng)機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)方法的圖像分類(lèi)技術(shù);2)總結(jié)了主動(dòng)學(xué)習(xí)方法的基本框架... 

【文章來(lái)源】：廈門(mén)大學(xué)福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)機(jī)器學(xué)習(xí)方法與深度學(xué)習(xí)方法的異同示意圖

圖２．２手工提取特征效果示意圖

圖２．３?ＫＮＮ和ＳＶＭ分類(lèi)器示意圖??

【參考文獻(xiàn)】：
期刊論文
[1]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)



本文編號(hào)：2983551