隨著大數(shù)據(jù)和移動互聯(lián)的發(fā)展,越來越多圖像數(shù)量如洪水一般的出現(xiàn),由于圖像數(shù)量巨大,對于圖像分類的模型要求越來越強,不僅針對模型的復雜度,還有運行的效率,所以需要研究一種方法來快速高效的解決圖像分類問題。遷移學習是指將以前學到的經(jīng)驗知識遷移到新的任務學習里,幫助新任務的學習分類。其就是以一種學習方式來影響另外一種學習。遷移學習解決了傳統(tǒng)機器學習中訓練和測試數(shù)據(jù)必須服從相同分布的局限性,其可以在源域與目標域之間深挖到恒定不變結構與特征,并且對于領域的任務來說還能高效的進行信息共享遷移,也可對于源域有標注的監(jiān)督信息進行遷移復用。本文提出基于遷移學習與深度卷積神經(jīng)網(wǎng)絡在圖像分類上的研究方法,主要有:(1]針對普通的圖像分類,本文提出基于特征映射遷移學習的圖像分類方法,采用MK-MMD+聯(lián)合概率適配的方法來降低目標域和源域的差異值,運用深度卷積神經(jīng)網(wǎng)絡進而抽取出高度“濃縮”的特征向量,使分類器能更加準確的判斷出所屬類別。MK-MMD是在MMD中進化而來,對于采用MMD+聯(lián)合概率適配的JDA算法來說,最重要的是核k,由于具有單一固定核局限性問題,在實際運用中存在高斯核或者線性核等選擇性的情況,所以這... 

【文章來源】：山東科技大學山東省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

Ｆｉｇ?２．３．２?Ｉｍａｇｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ｔｈｅ?ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??可以看出，ＲｅＬＵ單元左側(cè)一直為固定值，右側(cè)梯度為遞增恒值，從而避免ＤＣＮＮ??時的梯度消失問題，也為讓卷積特征能更加稀疏，因而更加適用于ＤＣＮＮ。在ＤＣＮＮ??過程中，如果開始設置較大的學習率，那么很有可能造成網(wǎng)絡中的大部分神經(jīng)元出??值無法更新的“神經(jīng)元死亡”狀態(tài)，所以設置一個合適的較小的初始學習率也是必??選擇。??３?ＤＣＮＮ?池化??在對圖像進行卷積和非線性變換后，通常還需要對得到的特征圖進行降采樣池化來??特征維度，同時提高魯棒性能。為了解決隨著卷積核的增加每張圖像上的卷積特征??也增加，形成高維的特征容易產(chǎn)生過擬合的問題，這里可以采用計算圖像上的某個??的特征平均值，通過聚合，不僅使卷積特征維度降低，還能防止網(wǎng)絡過擬合從而提??別能力，這種操作辦法就叫做池化，或者稱為降采樣，常用的操作有平均池化和最??．．一Ｘ一

【參考文獻】：
期刊論文
[1]基于遷移學習的癲癇EEG信號自適應識別[J]. 楊昌健,鄧趙紅,蔣亦樟,王士同.  計算機科學與探索. 2014(03)
[2]基于自適應聚類的虛假評論檢測[J]. 宋海霞,嚴馨,余正濤,石林賓,蘇斐.  南京大學學報(自然科學版). 2013(04)
[3]Inductive transfer learning for unlabeled target-domain via hybrid regularization[J]. ZHUANG FuZhen1,3, LUO Ping2, HE Qing1 & SHI ZhongZhi1 1 Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China; 2 Hewlett Packard Labs China, Beijing 100084, China; 3 Graduate University of Chinese Academy of Sciences, Beijing 100190, China..  Chinese Science Bulletin. 2009(14)
[4]一種基于詞聚類的中文文本主題抽取方法[J]. 陳炯,張永奎.  計算機應用. 2005(04)

博士論文
[1]基于遷移學習與深度卷積特征的圖像標注方法研究[D]. 宋光慧.浙江大學 2017
[2]遷移學習在文本分類中的應用研究[D]. 孟佳娜.大連理工大學 2011

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的室外場景理解研究[D]. 文俊.杭州電子科技大學 2016



本文編號：2908758