隨著人工智能的興起,深度學習方法在許多人工智能任務中取得了顯著的效果。但是深度模型訓練需要大規(guī)模的數(shù)據(jù)集,并且模型收斂緩慢。相比之下,人類視覺系統(tǒng)能夠在僅觀察一個或幾個實例之后識別新物體。人類視覺系統(tǒng)與深度學習模型之間的這種顯著差距引起了對小樣本學習的研究興趣。小樣本學習的目的是構建一個好的分類模型,使其在每個類只有少量標注樣本時也能夠具有較好的分類效果。目前在小樣本領域產(chǎn)生了許多優(yōu)秀的解決方法,其中基于度量學習的小樣本方法由于簡單有效而被廣泛使用,它首先通過特征網(wǎng)絡學習樣本的特征向量,然后在特征空間內(nèi)尋找測試樣本的最近鄰預測分類。本文在使用度量學習思想的基礎上,進一步提出了改進的特征網(wǎng)絡和度量方式,能夠有效地處理小樣本學習任務,主要研究內(nèi)容如下:1.闡述了小樣本學習任務的基本形式和相關方法。針對小樣本學習系統(tǒng)性的介紹了其問題定義及任務形式,然后詳細介紹了小樣本學習領域的相關方法。包括基于數(shù)據(jù)增強的方法,基于元學習的方法以及基于度量學習的方法,其中元學習方法又被詳細劃分為基于記憶的方法和基于優(yōu)化的方法,本文對各類方法的核心思想進行了詳細介紹及優(yōu)缺點分析。2.基于度量學習方法提出標簽特征... 

【文章來源】：合肥工業(yè)大學安徽省211工程院校教育部直屬院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
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 研究內(nèi)容及安排
第二章 小樣本學習基礎
    2.1 引言
    2.2 小樣本學習概述
        2.2.1 網(wǎng)絡模型結構
        2.2.2 模型訓練及優(yōu)化
    2.3 小樣本學習基本方法
        2.3.1 基于數(shù)據(jù)增強的方法
        2.3.2 基于元學習的方法
        2.3.3 度量學習方法
    2.4 本章小結
第三章 標簽特征網(wǎng)絡的小樣本學習
    3.1 引言
    3.2 標簽特征網(wǎng)絡
        3.2.1 特征網(wǎng)絡構建
        3.2.2 標簽特征構建
        3.2.3 混合正則損失函數(shù)
    3.3 實驗結果與分析
        3.3.1 實驗設置
        3.3.2 結果分析
    3.4 本章小結
第四章 跨尺度度量無關網(wǎng)絡的小樣本學習
    4.1 引言
    4.2 跨尺度度量無關網(wǎng)絡
        4.2.1 跨尺度特征模塊
        4.2.2 相似性度量
    4.3 實驗結果與分析
        4.3.1 實驗設置
        4.3.2 結果分析
    4.4 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
攻讀碩士學位期間的學術活動及成果情況


【參考文獻】：
期刊論文
[1]神經(jīng)機器翻譯綜述[J]. 李亞超,熊德意,張民.  計算機學報. 2018(12)
[2]基于深度卷積特征的細粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動化學報. 2017(08)
[3]基于卷積神經(jīng)網(wǎng)絡的目標檢測研究綜述[J]. 李旭冬,葉茂,李濤.  計算機應用研究. 2017(10)
[4]小樣本的類人概念學習與大數(shù)據(jù)的深度強化學習[J]. 陳孝良.  科技導報. 2016(07)
[5]遷移學習研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學報. 2015(01)



本文編號：3633441