隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,每天都會產(chǎn)生大量的數(shù)據(jù),為了較好地利用這些數(shù)據(jù)進(jìn)行分類,標(biāo)注工作必不可少。然而,一方面,我們不可能由人工對所有數(shù)據(jù)進(jìn)行標(biāo)注,否則會費時費力;另一方面,人們希望學(xué)到的模型不僅能在新樣本上具有泛化能力,而且對新類別也能進(jìn)行識別,這就要求遇到新類別時,模型不必重新訓(xùn)練就可以對未知類別進(jìn)行分類。因此,如何訓(xùn)練一個對未知類別仍能識別的模型,即零樣本學(xué)習(xí),吸引了大批專家和學(xué)者的關(guān)注。語義嵌入模型和公共空間嵌入模型是零樣本學(xué)習(xí)領(lǐng)域比較經(jīng)典的兩個研究方向,前者旨在學(xué)習(xí)視覺特征空間和語義特征空間之間的映射,后者旨在學(xué)習(xí)視覺特征空間到公共空間和語義特征空間到公共空間的映射。然而,這兩類方法卻普遍忽略了數(shù)據(jù)中潛在的低秩結(jié)構(gòu),并且度量方式不夠魯棒,本文對這一問題做了深度研究,內(nèi)容如下:1、語義自編碼器（SAE）是一種有效的零樣本學(xué)習(xí)方法,屬于語義嵌入模型。該模型在線性自編碼器的基礎(chǔ)上引入語義信息,通過最小化重構(gòu)誤差,解決零樣本圖像分類問題。然而,該模型卻忽略了數(shù)據(jù)中潛在的低秩結(jié)構(gòu),使得學(xué)到的投影無法捕捉到樣本的判別性信息。另外,SAE使用F范數(shù)的平方來度量重構(gòu)誤差,一方面,該范數(shù)對噪聲或... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容及安排
第二章 零樣本學(xué)習(xí)綜述
    2.1 語義表示
    2.2 主要研究方向
        2.2.1 貝葉斯模型
        2.2.2 語義嵌入模型
        2.2.3 公共空間嵌入模型
        2.2.4 深度嵌入模型
    2.3 評價準(zhǔn)則
        2.3.1 零樣本學(xué)習(xí)任務(wù)評價準(zhǔn)則
        2.3.2 廣義零樣本學(xué)習(xí)任務(wù)評價準(zhǔn)則
    2.4 存在的問題
        2.4.1 投影領(lǐng)域漂移問題
        2.4.2 樞紐點問題
    2.5 常用的屬性數(shù)據(jù)集
        2.5.1 SUN數(shù)據(jù)集
        2.5.2 CUB數(shù)據(jù)集
        2.5.3 AWA1數(shù)據(jù)集
        2.5.4 AWA2數(shù)據(jù)集
        2.5.5 a PY數(shù)據(jù)集
        2.5.6 Im Net數(shù)據(jù)集
    2.6 本章小結(jié)
第三章 魯棒語義自編碼器
    3.1 概述
    3.2 相關(guān)工作
        3.2.1 語義自編碼器
        3.2.2 低秩回歸模型
    3.3 魯棒語義自編碼器
    3.4 模型分析
    3.5 算法流程
    3.6 分類方法
    3.7 零樣本分類實驗
        3.7.1 零樣本學(xué)習(xí)任務(wù)
        3.7.2 廣義零樣本學(xué)習(xí)任務(wù)
        3.7.3 混淆矩陣實驗
        3.7.4 語義特征空間的二維投影實驗
        3.7.5 收斂性分析
    3.8 本章小結(jié)
第四章 標(biāo)簽空間激活模型
    4.1 概述
    4.2 標(biāo)簽空間激活框架及模型
    4.3 分類方法
    4.4 零樣本分類實驗
        4.4.1 零樣本學(xué)習(xí)任務(wù)
        4.4.2 廣義零樣本學(xué)習(xí)任務(wù)
        4.4.3 混淆矩陣實驗
        4.4.4 標(biāo)簽空間的二維投影實驗
        4.4.5 收斂性分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]基于局部保持典型相關(guān)分析的零樣本動作識別[J]. 冀中,郭威辰.  天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版). 2017(09)
[2]基于混合屬性的零樣本圖像分類[J]. 程玉虎,喬雪,王雪松.  電子學(xué)報. 2017(06)
[3]基于共享特征相對屬性的零樣本圖像分類[J]. 喬雪,彭晨,段賀,張鈺堯.  電子與信息學(xué)報. 2017(07)
[4]基于屬性關(guān)系圖正則化特征選擇的零樣本分類[J]. 鞏萍,程玉虎,王雪松.  中國礦業(yè)大學(xué)學(xué)報. 2015(06)



本文編號：3262112