隨著機(jī)器學(xué)習(xí)人工智能的快速興起,傳統(tǒng)的單標(biāo)記已經(jīng)難以準(zhǔn)確的描述對(duì)象,多標(biāo)記學(xué)習(xí)逐漸成為大家研究的熱點(diǎn)。在多標(biāo)記學(xué)習(xí)框架下,有用的數(shù)據(jù)越多,對(duì)于對(duì)象的描述就更加的準(zhǔn)確。但是隨著信息的不斷增加,冗余的信息也會(huì)隨之增加并且嚴(yán)重影響最后對(duì)于對(duì)象的描述與判斷。特征提取就是一種處理數(shù)據(jù)高維性的一種有效的方法,通過(guò)對(duì)于原始的特征空間,過(guò)濾掉一些冗余或者無(wú)關(guān)的信息,選擇出一組包含了原始特征空間全部或大部分有效信息的特征子集。但目前已有的多標(biāo)記特征提取算法很少有充分利用特征信息并充分提取“特征-標(biāo)記”獨(dú)立信息及融合信息。而圖像分類中關(guān)鍵點(diǎn)的特征提取直接影響到分類的效果。在上述特征提取研究基礎(chǔ)上,我們進(jìn)一步思考了零樣本圖像的分類問(wèn)題。眾所周知,圖像分類問(wèn)題就是雖然一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的一大研究熱點(diǎn),但傳統(tǒng)模型只能對(duì)已見(jiàn)過(guò)的對(duì)象進(jìn)行分類,面對(duì)沒(méi)有訓(xùn)練集的樣本卻毫無(wú)辦法。因此零樣本學(xué)習(xí)被提出來(lái)解決模型中出現(xiàn)的未見(jiàn)過(guò)對(duì)象。目前已有的零樣本學(xué)習(xí)算法大多是對(duì)圖像特征映射與語(yǔ)義向量映射的改進(jìn),或者是利用生成式對(duì)抗網(wǎng)絡(luò),將零樣本圖像分類任務(wù)轉(zhuǎn)化為傳統(tǒng)圖像分類。但是以上的方法都沒(méi)有考慮到原始數(shù)據(jù)集中特征與標(biāo)記之間的信息。... 

【文章來(lái)源】： 李志偉 安慶師范大學(xué)

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

AP趨勢(shì)圖

21采用顯著性水平為5%的Friedmantest[60]。當(dāng)兩個(gè)算法在所有數(shù)據(jù)集上的平均排序的差值不大于臨界差(CriticalDifference，CD)，則認(rèn)為這兩個(gè)算法沒(méi)有顯著性差異，反之則有顯著性差異。圖3.2給出了所有算法在不同評(píng)價(jià)指標(biāo)上的比較，坐標(biāo)軸畫(huà)出了各種算法的平均排序，坐標(biāo)軸的數(shù)字表示平均排序，數(shù)字越小則說(shuō)明平均排序越低，各評(píng)價(jià)指標(biāo)子圖中從左到右，算法性能依次降低。通過(guò)線段連接的兩種算法表示在性能上沒(méi)有顯著差異。根據(jù)公式(3-26)可計(jì)算出CD值為2.2052。=()(3-26)(a)海明損失(b)1-錯(cuò)誤率(c)覆蓋率(d)排序損失(e)平均精度圖3.2算法性能比較對(duì)某個(gè)任意算法，都有30個(gè)結(jié)果作為對(duì)比(在5個(gè)評(píng)價(jià)指標(biāo)上具有6個(gè)對(duì)比算法)，通過(guò)圖3.2可以得出：(1)MIMLFE在5個(gè)評(píng)價(jià)指標(biāo)上與其他6個(gè)對(duì)比算法相比時(shí)排序均為第一。(2)在HammingLoss、Coverage和RankingLoss三個(gè)評(píng)價(jià)指標(biāo)上，MIMLFE與MDDMp和MVMD均無(wú)顯著性差異，但均優(yōu)于OS、MLSI、PCA、wMLDA。(3)在One-

27圖4.1結(jié)合CRnet流程圖4.4實(shí)驗(yàn)設(shè)置及結(jié)果分析4.4.1實(shí)驗(yàn)數(shù)據(jù)集及參數(shù)設(shè)置本文實(shí)驗(yàn)采用了五種零樣本學(xué)習(xí)中最為常見(jiàn)的數(shù)據(jù)集，分別是是AwA1(AnimalswithAttributes1)，AwA2(AnimalswithAttributes2)，CUB(CaltechUCSDBirds200)，SUN(SUNSceneRecognition)以及aPY(AttributePascalandYahoo)。AwA數(shù)據(jù)集是零樣本學(xué)習(xí)中最常見(jiàn)的數(shù)據(jù)集，Lampert，Nickisch等使用50種動(dòng)物類別作為關(guān)鍵字，并使用四個(gè)搜索引擎Google，Bing，Yahoo和Flickr搜索它們的圖片。獲得18萬(wàn)張照片后，消除了異常圖像和重復(fù)圖像。經(jīng)過(guò)該預(yù)處理后，整個(gè)數(shù)據(jù)集共有30475張圖片，共有50個(gè)類別，而對(duì)于每個(gè)類別，至少有92張圖片。同時(shí)，每個(gè)動(dòng)物類都有自己的屬性，每個(gè)類共有85個(gè)屬性。通過(guò)將采集到的圖像與語(yǔ)義屬性表相結(jié)合，可以將AwA數(shù)據(jù)集應(yīng)用到任何一個(gè)使用屬性知識(shí)的模型中，在分類實(shí)驗(yàn)中學(xué)習(xí)和利用屬性知識(shí)。因?yàn)锳wA應(yīng)用的廣泛性，Xian更新了AwA并創(chuàng)建了AwA2。AwA2數(shù)據(jù)集中有37322張圖像，類和屬性的數(shù)量和內(nèi)容沒(méi)有變化。CUB數(shù)據(jù)集是由加州理工學(xué)院創(chuàng)建的鳥(niǎo)類數(shù)據(jù)集，共有11788張圖像，使用312個(gè)屬性特征來(lái)描述200種不同的鳥(niǎo)類。aPY數(shù)據(jù)集由Farhadi等人組織。有兩個(gè)部分，一個(gè)是PascalVOC2008數(shù)據(jù)集的一個(gè)子集共有12695張圖片作為訓(xùn)練集，另一個(gè)是在雅虎上搜集的2644張圖片測(cè)試集。此外，兩部分的類不相互重疊，所以數(shù)據(jù)集完全滿足零樣本學(xué)習(xí)的實(shí)驗(yàn)要求。SUN數(shù)據(jù)集包含了細(xì)粒度的場(chǎng)景類和詳細(xì)的屬性標(biāo)注，也可以應(yīng)用于場(chǎng)景識(shí)別領(lǐng)域的零鏡頭學(xué)習(xí)。為了實(shí)驗(yàn)結(jié)果的準(zhǔn)確有效性，我們使用從ImageNet預(yù)先訓(xùn)練的resnet-101提取的2048維特征，對(duì)于數(shù)據(jù)集中可見(jiàn)類與非可見(jiàn)類的劃分均是按照論文[73]劃分的并且和大部分其他零樣本學(xué)習(xí)方法一致。對(duì)于各個(gè)數(shù)據(jù)集的參數(shù)配置也與CRnet

【參考文獻(xiàn)】：
期刊論文
[1]聯(lián)合嵌入式多標(biāo)簽分類算法[J]. 劉慧婷,冷新楊,王利利,趙鵬.  自動(dòng)化學(xué)報(bào). 2019(10)
[2]機(jī)器學(xué)習(xí)在醫(yī)療和公共衛(wèi)生中應(yīng)用[J]. 張景奇,史文寶,紀(jì)秀娟.  中國(guó)公共衛(wèi)生. 2019(10)
[3]零樣本學(xué)習(xí)研究進(jìn)展[J]. 張魯寧,左信,劉建偉.  自動(dòng)化學(xué)報(bào). 2020(01)
[4]彈性網(wǎng)絡(luò)核極限學(xué)習(xí)機(jī)的多標(biāo)記學(xué)習(xí)算法[J]. 王一賓,裴根生,程玉勝.  智能系統(tǒng)學(xué)報(bào). 2019(04)
[5]非平衡化標(biāo)簽補(bǔ)全核極限學(xué)習(xí)機(jī)多標(biāo)簽學(xué)習(xí)[J]. 程玉勝,趙大衛(wèi),王一賓,裴根生.  電子學(xué)報(bào). 2019(03)
[6]蝴蝶種類自動(dòng)識(shí)別研究[J]. 謝娟英,侯琦,史穎歡,呂鵬,景麗萍,莊福振,張軍平,譚曉陽(yáng),許升全.  計(jì)算機(jī)研究與發(fā)展. 2018(08)
[7]回歸核極限學(xué)習(xí)機(jī)的多標(biāo)記學(xué)習(xí)算法[J]. 王一賓,程玉勝,何月,裴根生.  模式識(shí)別與人工智能. 2018(05)
[8]結(jié)合深度特征與多標(biāo)記分類的圖像語(yǔ)義標(biāo)注[J]. 李志欣,鄭永哲,張燦龍,史忠植.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(02)
[9]基于信息�；亩鄻�(biāo)記特征選擇算法[J]. 王晨曦,林耀進(jìn),唐莉,傅為,林培榕.  模式識(shí)別與人工智能. 2018(02)
[10]基于ReliefF剪枝的多標(biāo)記分類算法[J]. 劉海洋,王志海,張志東.  計(jì)算機(jī)學(xué)報(bào). 2019(03)



本文編號(hào)：2989369