【摘要】：目標的分類與檢索是機器學習研究的基本應用之一,許多實際中的任務都能被視作分類和檢索任務來解決。由于深度學習技術的突破,基于大規(guī)模有標記樣本和大容量的神經網絡的方法在許多監(jiān)督學習任務中的性能極大地超越了很多傳統(tǒng)的方法。但是,這種監(jiān)督分類方法需要足夠的有標記樣本,并且學習到的分類器不能擴展到訓練集中沒有的類別,從而也極大的限制了它的應用場景。在許多的應用中,有些類別可能缺乏足夠多的訓練樣本或者甚至沒有訓練樣本。當給定的樣本實例是訓練集中沒有的類別時,這種問題就是一種零樣本學習的問題。近些年來,零樣本學習的研究逐漸成為熱點,本文主要研究這種零樣本學習場景下的圖像的分類和檢索問題。通過對基于語義-視覺關系映射模型的零樣本學習方法進行研究和分析,本文提出了一種基于中間空間分類的零樣本學習方法,該方法有效地緩解了零樣本學習中所遭遇的投影域偏移、空間缺乏判別性等問題,在圖像分類的分類和檢索任務上都取得了很高的性能。本文的主要工作和貢獻如下:首先,本文提出了一種零樣本學習方法,為了構建一個具有足夠判別性的中間空間,本文使用了一種聯(lián)合學習的方法,不同空間的信息能夠通過中間空間的表示和對應的基矩陣得到恢復,并且中間空間通過對應的標簽信息進行監(jiān)督具有了足夠的判別性。其次,考慮到不同空間的信息可能具有互補性,本文考慮多種空間的信息進行分類,相似性空間和融合空間有較大的差異,本文將構造的相似性表示和融合空間的表示進行結合,進一步提高了性能。最后,本論文進行了更加全面的實驗比較,包括基于屬性的零樣本分類實驗、基于詞向量的零樣本分類實驗以及零樣本檢索實驗,并對實驗結果進行了分析。
【圖文】：

圖 2.1 遷移學習的基本框架 語義信息與視覺特征.1 語義信息語義通常是描述一類目標的高級或中級的概念，早期的一些[25],[26]工作是利語義特征使圖像的檢索或分類任務更加魯棒。Nikhil 等[27]引入了一種基于像檢索方法，將圖像按照視覺概念的詞匯進行標記并構建檢索系統(tǒng)實現(xiàn)了好的精度。在零樣本學習中，語義信息作為一種必要的信息用于知識的遷信息有通過人工標注而得到的屬性特征，還有基于大數(shù)據(jù)學習得到的詞向及類別層級結構等，，下面分別進行介紹。屬性特征人類有能力通過高層級的描述來識別新的類別，例如通過句子“體型巨大的鼻子動物”，我們就能可靠地識別出大象。在該例子中，“巨大”、“灰色”，“等都是一些視覺上的信息，有些是大象所特有的特征，而有些則是許多動物

華 中 科 技 大 學 碩 士 學 位 論 文屬性為了人類標注的方便，一般都需要具有可解釋性以便標注者能夠通過對應的目標判斷是否該目標含有某個屬性。這也限制了屬性這種語義信息本身的可擴展性。圖 2.2 AwA 數(shù)據(jù)集中連續(xù)屬性與類別的關系圖給出了 AwA 數(shù)據(jù)集類別與屬性的對應關系，該數(shù)據(jù)集包含 50 類的樣本，每個類標注了 85 維的屬性向量，中其中橫軸表示的是每一維的屬性，縱軸表示樣本的類別，圖中給出的是連續(xù)屬性標注的結果。
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;TP391.3

【相似文獻】

相關期刊論文 前10條

1 余游;馮林;王格格;徐其鳳;;一種基于深度網絡的少樣本學習方法[J];小型微型計算機系統(tǒng);2019年11期

2 吳凡;王康;;基于屬性平衡正則化的深度零樣本學習[J];計算機應用與軟件;2018年10期

3 余游;馮林;王格格;徐其鳳;;一種基于偽標簽的半監(jiān)督少樣本學習模型[J];電子學報;2019年11期

4 潘潔珠;周曉;吳共慶;胡學鋼;;基于小樣本學習的垃圾郵件過濾方法[J];計算機工程;2010年21期

5 冀中;謝于中;龐彥偉;;基于典型相關分析和距離度量學習的零樣本學習[J];天津大學學報(自然科學與工程技術版);2017年08期

6 李敏丹;沈曄;章東平;殷海兵;;基于混合類別標記新技術的小樣本學習算法[J];浙江大學學報(工學版);2016年01期

7 陳洪,鄭南寧,徐迎慶,沈向洋;基于樣本學習的人像線條畫生成系統(tǒng)[J];軟件學報;2003年02期

8 李新葉;龍慎鵬;;基于度量方式不可知的少量樣本的一次性面部識別[J];電腦編程技巧與維護;2020年01期

9 彭光金;俞集輝;韋俊濤;楊光;;特征提取和小樣本學習的電力工程造價預測模型[J];重慶大學學報;2009年09期

10 吳信才,王小睿;基于彩色地圖的交互式矢量化方法[J];小型微型計算機系統(tǒng);1998年05期

相關會議論文 前2條

1 陳建智;陳建構;薛玉美;張哲榮;利德江;;使用基于模糊分群法之資訊擴散技術求解小樣本學習問題[A];第25屆全國灰色系統(tǒng)會議論文集[C];2014年

2 潘世瑞;張陽;李雪;王勇;;針對不確定正例和未標記學習的最近鄰算法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集A輯二[C];2010年

相關重要報紙文章 前2條

1 黃淵普;五個樣本學習美國生鮮電商運作[N];中國食品報;2013年

2 河南省軍區(qū) 李光輝;讓書本和“樣本”對接起來[N];解放軍報;2019年

相關博士學位論文 前2條

1 李亞南;零樣本學習關鍵技術研究[D];浙江大學;2018年

2 陶大鵬;高維問題中的小樣本學習[D];華南理工大學;2014年

相關碩士學位論文 前10條

1 魏杰;零樣本學習中的細粒度圖像分類研究[D];廣東工業(yè)大學;2019年

2 聶金龍;基于度量學習的小樣本學習研究[D];大連理工大學;2019年

3 林嬌嬌;基于Res-Gan網絡的零樣本學習研究[D];大連理工大學;2019年

4 劉志豪;基于多域特征融合的零樣本分類與檢索算法研究[D];華中科技大學;2019年

5 馬佳炯;基于零樣本學習的舌苔體質識別[D];華南理工大學;2019年

6 譚學仕;基于雙模態(tài)字典的零樣本潛在空間映射方法及零樣本的對抗生成[D];華南理工大學;2019年

7 王潔欣;基于零樣本學習的圖像分類研究[D];上海交通大學;2018年

8 周翔;基于深度生成模型的零樣本學習[D];電子科技大學;2019年

9 王陽;零樣本學習方法及其應用研究[D];南京理工大學;2019年

10 魯亞男;基于反向預測的零樣本學習[D];中國科學技術大學;2018年

本文編號：2656773