检索结果-内蒙古大学图书馆

作者：刘澳赋南京理工大学

学位级别：硕士

无监督学习是机器学习中的重要组成部分,深度学习的快速发展为无监督学习注入了新的活力。聚类是无监督学习中的基本问题之一,将深度无监督方法与聚类相结合是未来聚类任务最有前景的发展方向。本文将目光集中于无监督学习在聚类任务的... 详细信息

无监督学习是机器学习中的重要组成部分,深度学习的快速发展为无监督学习注入了新的活力。聚类是无监督学习中的基本问题之一,将深度无监督方法与聚类相结合是未来聚类任务最有前景的发展方向。本文将目光集中于无监督学习在聚类任务的探索和延伸,提出了混合对抗自动编码器图像聚类方法,并在此基础上进行深入研究,主要的研究工作有:(1)提出了基于广义高斯分布的混合对抗自动编码器图像聚类方法(MAAE)。目前一个被广泛使用的假设是数据可以表示为一组流形的集合,因此将每一类别的数据都采用一个对抗自动编码器来表示,组成混合网络。混合网络将联合学习数据的非线性表示以及对抗模块的集合,通过最小化输入图像的重构损失来得到聚类分配结果。通过引入对抗信息,自动编码器的隐层特征可以更好的与广义高斯分布的先验目标分布相匹配,数据的潜在特征将会很好的分离。我们在标准数据集上进行了实验,结果表明MAAE方法在聚类和特征分离方面都是有效的。(2)提出了基于对抗特征自提取的混合对抗自动编码器图像聚类方法(AMAAE)。考虑到人工构建的目标分布具有低维度的局限性,在结构中加入了对抗特征网络,并引入均值中心损失。特征网络的输入来自混合网络的样本选择,最终的聚类分配由最小重构损失与均值中心损失共同决定。实验表明AMAAE方法在各个方面取得了更进一步的提升。(3)提出了基于对比学习的混合自动编码图像聚类方法(CMAE)。我们引入对比学习和“标签即表示”的思想,在结构中加入了对比学习网络。整个网络分为两部分,混合网络只根据重构损失进行正负样本的划分,不参与聚类分配。对比学习网络在正负样本的软标签向量上进行对比学习,最终的聚类分配直接由软标签向量完成。实验表明CMAE方法在正负样本划分、特征学习以及聚类上的有效性。

关键词：深度无监督学习图像聚类混合自动编码器网络对抗自动编码器对比学习

来源：评论

学校读者我要写书评

暂无评论

深度无监督学习算法研究

深度无监督学习算法研究

引用

作者：岳永鹏西南石油大学

学位级别：硕士

深度学习作为人工智能技术的新发展,被广泛应用于计算机视觉、语音识别、机器翻译和语义挖掘等领域,且MIT Technology Review杂志在2014年将深度学习列为2013年十大突破性技术之首。虽然深度学习取得了一系列巨大的研究成果,但它也面临... 详细信息

深度学习作为人工智能技术的新发展,被广泛应用于计算机视觉、语音识别、机器翻译和语义挖掘等领域,且MIT Technology Review杂志在2014年将深度学习列为2013年十大突破性技术之首。虽然深度学习取得了一系列巨大的研究成果,但它也面临理论计算问题、高维特征空间的表示问题和无监督学习问题的挑战。本文在具体细化2006年Hinton等人在“Science"期刊上提出的深度学习方法的过程中,从数学优化的角度建立了深度监督学习和深度无监督学习的模型；给出了基于自编码的逐层贪婪无监督的深度网络参数学习的方法；结合了大数据的处理技术,独立推导了深度监督学习梯度不稳定的数学公式。所做的工作和取得的成果可为人们思考和解决“深度学习”提供理论和方法指导。主要工作和成果如下：（1）依据人类视觉系统信息处理的自然启示“深度网络比浅层网络具有更强的表达能力”,分析了建立深度网络模型的动机,介绍了深度网络模型的结构。（2）从传统的浅层网络参数的学习出发,用梯度下降算法和误差反向传播算法从数学优化的角度建立了监督深度网络学习模型,并用手写数字数据库MNIST做了数值实验工验证了监督模型的效果。结果表明单纯的监督学习方法不适合用于深度网络的参数学习。（3）在分析用监督学习方法进行深度网络参数学习失败的原因基础上,引入了逐层贪婪无监督的思想克服梯度的不稳定、监督学习数据获取的昂贵和梯度下降算法对初始值敏感的问题；并给出了基于自编码的逐层贪婪无监督的深度网络参数学习方法。（4）采用同样的手写数字数据库MNIST对（3）中提出的深度网络参数学习方法作了数值实验Ⅱ；它和数值实验Ⅰ的结果对比表明基于自编码的逐层贪婪无监督的深度网络参数学习方法能有效地提高测试数据集分类的准确率。（5）受生物界关于“婴儿如何认识世界”的研究成果“海量数据将使得学习算法的学习效果更加完美”启发,基于“复杂模型十大数据”的模式下研究了大规模数据集上的深度无监督网络学习问题。采用MiniBatch梯度下降算法和增量的梯度下降算法优化了其算法,在数据并行方面给出了梯度下降算法的PyCUDA并行计算步骤和梯度下降算法的Map-Reduce分解过程。

关键词：机器学习深度学习深度无监督学习并行计算大规模数据集

来源：评论

学校读者我要写书评

暂无评论

基于深度多相似性哈希方法的遥感图像检索

引用

计算机工程 2023年第2期49卷 206-212页

作者：何悦陈广胜景维鹏徐泽堃东北林业大学信息与计算机工程学院哈尔滨150040

哈希方法由于低存储、高效率的特性而被广泛应用于遥感图像检索领域。面向遥感图像检索任务的无监督哈希方法存在伪标签不可靠、图像对的训练权重相同以及图像检索精度较低等问题,为此,提出一种基于深度多相似性哈希(DMSH)的遥感图像检... 详细信息

哈希方法由于低存储、高效率的特性而被广泛应用于遥感图像检索领域。面向遥感图像检索任务的无监督哈希方法存在伪标签不可靠、图像对的训练权重相同以及图像检索精度较低等问题,为此,提出一种基于深度多相似性哈希(DMSH)的遥感图像检索方法。针对优化伪标签和训练关注度分别构建自适应伪标签模块(APLM)和成对结构信息模块(PSIM)。APLM采用K最近邻和核相似度来评估图像间的相似关系,实现伪标签的初始生成和在线校正。PSIM将图像对的多尺度结构相似度映射为训练关注度,为其分配不同的训练权重从而优化深度哈希学习。DMSH通过Swin Transformer骨干网络提取图像的高维特征,将基于语义相似矩阵的伪标签作为监督信息以训练深度网络,同时网络在两个基于不同相似度设计的模块上实现交替优化,充分挖掘图像间的多种相似信息进而生成具有高辨识力的哈希编码,实现遥感图像的高精度检索。实验结果表明,DMSH在EuroSAT和PatternNet数据集上的平均精度均值较对比方法分别提高0.8%~3.0%和9.8%~12.5%,其可以在遥感图像检索任务中取得更高的准确率。

关键词：深度无监督学习遥感图像检索特征提取哈希学习伪标签

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的图像阴影检测

基于深度学习的图像阴影检测

引用

作者：李广和西安电子科技大学

学位级别：硕士

作为计算机视觉领域的重要研究方向之一,阴影检测旨在精准识别图像中的阴影区域,其在环境光场估计、视频跟踪、目标检测、显著性目标检测等高层图像处理应用中起着至关重要的作用。近年来,随着深度学习技术的快速发展,基于深度学习的阴... 详细信息

作为计算机视觉领域的重要研究方向之一,阴影检测旨在精准识别图像中的阴影区域,其在环境光场估计、视频跟踪、目标检测、显著性目标检测等高层图像处理应用中起着至关重要的作用。近年来,随着深度学习技术的快速发展,基于深度学习的阴影检测方法取得了突破性的进展。然而,这些方法仍然存在一些局限性,如网络模型结构复杂,参数量庞大,过度依赖于大规模的训练数据和相应的像素级阴影标签等。针对上述现有阴影检测方法存在的问题,本文提出了两种图像阴影检测算法并在公开的阴影检测数据集上进行实验仿真,验证了本文算法的有效性。具体的工作内容如下:(1)考虑到现有深度阴影检测算法网络模型复杂且参数量庞大,计算复杂度高,在训练数据规模小的情况下容易过拟合,本文提出了一种基于轻量级网络结构的图像阴影检测算法。该算法采用一个小规模网络作为特征提取主干网络,并将标准卷积替换为计算复杂度低且更高效的深度可分离卷积。此外,为了更好地减少轻量化带来的性能损失,本文设计了空间感知模块和语义感知模块以更好地挖掘图像中阴影区域的空间细节信息和语义上下文信息,并设计了特征引导融合模块,利用网络模型不同层级特征的互补性进行特征融合,进一步提高模型的检测性能。(2)针对现有深度阴影检测方法训练效果过度依赖于大规模具有像素级标签的训练数据且人工标注困难的问题,本文对无监督学习的阴影检测进行初步探索,并提出了一种基于深度无监督学习的阴影检测方法,能够在不使用人工标注数据的情况下训练出高性能的深度阴影检测模型。该方法将自训练和课程学习相结合,从传统阴影检测模型产生的伪标签中学习预测阴影区域,通过课程学习引导模型从简单样本到复杂样本逐步学习阴影知识,利用基于自训练方法的伪标签更新机制在课程学习过程中逐步更新伪标签,以减少噪声,提高模型对噪声伪标签的鲁棒性。在Ubuntu18.04环境下的Pytorch深度学习框架中对本文提出的两个深度阴影检测方法进行验证。对于基于轻量级网络结构的图像阴影检测方法,在公开的阴影检测数据集上与现有的深度阴影检测方法进行了实验分析与比较;实验结果验证了所提出方法的优越性和有效性。对于基于深度无监督学习的图像阴影检测方法,在公开的阴影检测数据集上与现有的阴影检测方法进行了实验分析与比较;实验结果表明,所提出的基于深度无监督的图像阴影检测方法,优于目前传统阴影检测方法,同时能够获得接近甚至超过部分通过监督学习方法训练得到的深度阴影检测模型的性能。

关键词：图像阴影检测轻量级网络深度无监督学习课程学习自训练

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：