在計(jì)算機(jī)視覺領(lǐng)域,圖像分類任務(wù)一直都是熱點(diǎn)問題。而其中半監(jiān)督圖像分類任務(wù)更是獲得了國內(nèi)外學(xué)術(shù)界的廣泛關(guān)注,僅僅利用少量有標(biāo)簽數(shù)據(jù)和大量無標(biāo)簽數(shù)據(jù),便可通過本文提出的算法訓(xùn)練出一些實(shí)用的模型。在當(dāng)下,深度學(xué)習(xí)對(duì)于圖像處理任務(wù)的解決有著得天獨(dú)厚的優(yōu)勢(shì),本文先是通過卷積神經(jīng)網(wǎng)絡(luò)提取有標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)的高級(jí)語義特征向量;然后基于高級(jí)語義特征利用標(biāo)簽傳播算法獲得無標(biāo)簽數(shù)據(jù)的偽標(biāo)簽;將帶有偽標(biāo)簽的無標(biāo)簽數(shù)據(jù)集和有標(biāo)簽數(shù)據(jù)集都放入卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行深度模型的微調(diào)。至此,神經(jīng)網(wǎng)絡(luò)提取特征與半監(jiān)督學(xué)習(xí)的標(biāo)簽預(yù)測(cè)通過神經(jīng)網(wǎng)絡(luò)的微調(diào)機(jī)制建立起了交互的功能。交互的使用深度模型與標(biāo)簽傳播模型不斷的優(yōu)化偽標(biāo)簽直到模型達(dá)到收斂。本文在Cifar10數(shù)據(jù)集上做了一些對(duì)比實(shí)驗(yàn)最終的實(shí)驗(yàn)結(jié)果表明:本文提出的算法A,B,C總是比單獨(dú)使用半監(jiān)督學(xué)習(xí)算法或者深度學(xué)習(xí)算法要好的多。其中,針對(duì)800有標(biāo)簽數(shù)據(jù),49200無標(biāo)簽數(shù)據(jù)集在算法C達(dá)到了0.91的準(zhǔn)確率。 

【文章來源】：溫州大學(xué)浙江省

【文章頁數(shù)】：35 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖像識(shí)別問題的一個(gè)示例

溫州大學(xué)碩士學(xué)位論文處理。1.2.2 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介卷 積 神 經(jīng) 網(wǎng) 絡(luò) 經(jīng) 歷 LeNet[18]， AlexNet[19]， VGG[20]， GoogleNet[21](Inception[22])，ResNet[23]，Densnet[24]等變革，卷積神經(jīng)網(wǎng)絡(luò)變得越來越深，同時(shí)訓(xùn)練難度也不斷變大�？紤]到計(jì)算設(shè)備，數(shù)據(jù)集的規(guī)模等的制約，遷移學(xué)習(xí)在計(jì)算機(jī)視覺中扮演的角色也越來越重要。同時(shí)半監(jiān)督學(xué)習(xí)對(duì)于圖片分類任務(wù)也是至關(guān)重要的，但是僅僅使用淺層機(jī)器學(xué)習(xí)進(jìn)行標(biāo)簽傳播遠(yuǎn)遠(yuǎn)無法滿足當(dāng)今社會(huì)的需求。從技術(shù)角度來看，CNN 是一種至少包含一個(gè)卷積層 (有濾波器的作用) 的神經(jīng)網(wǎng)絡(luò)。一般地，一個(gè)神經(jīng)元可以看作是線性映射與非線性映射的組合，而多層神經(jīng)網(wǎng)絡(luò)是多個(gè)神經(jīng)元按照分層結(jié)構(gòu)組合而成的。神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化方法大都是基于反向傳播算法求得的數(shù)值解。本文使用了何愷明等[23]人提出的殘差網(wǎng)絡(luò)(ResNet)。 ResNet 網(wǎng)絡(luò)的基本單元是殘差塊，見圖 2.。

圖 2-0 本論文研究的基礎(chǔ)Figure 2-0 The basis of the research of this thesis把神經(jīng)網(wǎng)絡(luò)模型（或者通過 ImageNet 數(shù)據(jù)集預(yù)訓(xùn)練得到的模型）作為特征提取器用來提取圖片的高級(jí)語義特征向量作為 LLGC 和 GRFH 的輸入是十分合理與融洽的。圖中 4 張圖片的原始特征（像素級(jí)別的） 通過特征提取器得到特征向量 ，然后將 作為 LLGC 與 GRFH 的輸入即可訓(xùn)練一個(gè)基于圖的半監(jiān)督學(xué)習(xí)模型。這樣，本論文將神經(jīng)網(wǎng)絡(luò)算法也統(tǒng)一到了傳統(tǒng)的基于圖的半監(jiān)督學(xué)習(xí)模型之中。通過研究高級(jí)語義特征向量 來研究 的性質(zhì)來進(jìn)一步的判斷其類別屬性。在某種意義上 與 是等價(jià)的，傳統(tǒng)圖像分類算法不能很好的權(quán)衡二者的關(guān)系，而神經(jīng)網(wǎng)絡(luò)算法恰恰對(duì)它們的權(quán)衡做出了一定的“暗箱操作”（均統(tǒng)一在同一個(gè)神經(jīng)網(wǎng)絡(luò)架構(gòu)之下，不需要特別得考慮二者的過渡問題）。圖 2-0 中的 對(duì)應(yīng)于公式 (1-1)，而公式 (1-3) 的 與公式 (1-5) 的 分別表示圖片的真實(shí)類別的概率分布與預(yù)測(cè)的概率分布。由于圖片數(shù)據(jù)的維度比較高，因而，本論文僅僅考慮卷積神經(jīng)網(wǎng)絡(luò)。

【參考文獻(xiàn)】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用[J]. 張順,龔怡宏,王進(jìn)軍.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[2]改進(jìn)的LLGC高光譜圖像半監(jiān)督分類[J]. 盛振國,王立國.  哈爾濱工程大學(xué)學(xué)報(bào). 2017(07)
[3]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[4]基于稀疏分解的局部全局一致性學(xué)習(xí)算法[J]. 白本督,范九倫.  西安郵電大學(xué)學(xué)報(bào). 2015(03)
[5]一種改進(jìn)半監(jiān)督學(xué)習(xí)的圖像語義自動(dòng)識(shí)別方法[J]. 鄭浩,廖夢(mèng)怡.  科技通報(bào). 2014(02)



本文編號(hào)：3065927