检索结果-内蒙古大学图书馆

计算机应用 2018年第8期38卷 2198-2204页

作者：刘尚旺郜翔河南师范大学计算机与信息工程学院河南新乡453007 "智慧商务与物联网技术"河南省工程实验室(河南师范大学) 河南新乡453007

针对细粒度图像分类方法中存在模型复杂度较高、难以利用较深模型等问题,提出深度模型迁移(DMT)分类方法。首先,在粗粒度图像数据集上进行深度模型预训练;然后,使用细粒度图像数据集对预训练模型logits层进行不确切监督学习,使其特征分... 详细信息

针对细粒度图像分类方法中存在模型复杂度较高、难以利用较深模型等问题,提出深度模型迁移(DMT)分类方法。首先,在粗粒度图像数据集上进行深度模型预训练;然后,使用细粒度图像数据集对预训练模型logits层进行不确切监督学习,使其特征分布向新数据集特征分布方向迁移;最后,将迁移模型导出,在对应的测试集上进行测试。实验结果表明,在STANFORD DOGS、CUB-200-2011、OXFORD FLOWER-102细粒度图像数据集上,DMT分类方法的分类准确率分别达到72.23%、73.33%和96.27%,验证了深度模型迁移方法在细粒度图像分类领域的有效性。

关键词：深度模型迁移学习细粒度图像分类不确切监督学习特征分布

来源：评论

学校读者我要写书评

暂无评论

基于对比置信度的多视角数据鲁棒分类方法

基于对比置信度的多视角数据鲁棒分类方法

引用

作者：周子昀南京信息工程大学

学位级别：硕士

近年来深度学习的快速发展,使得传统的监督学习在人工智能行业取得了瞩目的成就。但是,一方面由于深度学习的高性能表现与海量的精确标注密不可分,另一方面,在许多现实场景中,人们又无法获取到样本的准确标签,所以这不仅导致了数据标注... 详细信息

近年来深度学习的快速发展,使得传统的监督学习在人工智能行业取得了瞩目的成就。但是,一方面由于深度学习的高性能表现与海量的精确标注密不可分,另一方面,在许多现实场景中,人们又无法获取到样本的准确标签,所以这不仅导致了数据标注的成本加重,也使得模型的应用场景具有一定局限性。为此,越来越多的研究人员对弱监督学习领域展开研究。作为弱监督学习的一个分支,不确切监督学习不需要求对训练数据进行明确地标注可以大幅减轻样本标记和数据收集的人工成本。近年来,一种新的不确切监督学习范式——基于对比置信度(pairwise confidence comparison classification,简称Pcomp)的分类被提出并用于二分类任务。在Pcomp分类中,训练集由若干仅包含特征信息的样本对构成,其中前一个样本比后一个样本具有更高的正类置信度。相比传统的监督分类,Pcomp分类更易获取训练所需的样本信息且更加适用于一些私密领域的二分类任务。然而,由于包含的监督信息量少,在某些场景下,可能会导致所构建模型的泛化性降低。另外,一个对象可以被描述为具有高维度、强异质性和丰富描述的多视角数据表示,因此,本文利用多视角数据来弥补Pcomp分类缺少监督信息的短板。为此,本文提出了一种基于对比置信度的多视角数据分类方法(privilege multi-view Pcomp classification model,简称PMV-Pcomp),通过使用易于获取的多视角特征表示来进一步改善Pcomp分类的泛化性,主要研究内容如下:(1)基于Pcomp分类问题的无偏风险估计(URE),本文从理论上给出了Pcomp分类的铰链型损失上界并将其作为“替代损失”进行Pcomp分类模型的构建,这使得将多视角学习框架引入Pcomp分类模型变得可行。接着,提出了一种特权多视角Pcomp分类模型(PMV-Pcomp),该模型集成了所有视角的共正则化约束和不同视角之间的特权约束,既遵守了一致性原则,又遵守了互补性原则。此外,还针对PMV-Pcomp设计了一种的交替方向乘子法(ADMM)高效求解器,提高训练效率。本文将PMV-Pcomp与Pcomp分类优秀的方法进行了对比实验,实验证明了PMV-Pcomp算法具有优秀的泛化能力;(2)在Pcomp分类数据集的构建过程中,当样本对中两个样本的正类置信度较为接近时,可能会产生噪声样本对。因此,对模型进行抗噪声设计是很有必要的。为此,本文提出了PMV-Pcomp的鲁棒版本(RPMV-Pcomp),即在训练前使用双模型去噪机制滤除可疑噪声样本对。该去噪机制通过构建一个联合损失函数来实现双模型之间的联合训练,使得模型可以逐步滤除可疑的噪声样本对,从而提高PMV-Pcomp模型训练过程的鲁棒性。本文通过对比实验和消融实验证明了引入多视角学习框架和去噪机制对于提升Pcomp分类的性能是有明显效果的。因此本文的工作不仅使得Pcomp分类模型应用于实际工程成为可能,而且提供了利用多视角学习框架提升其它弱监督分类问题精度的新思路。

关键词：不确切监督学习对比置信度分类(Pcomp) 多视角学习去噪机制

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：