绑定机构
扫描成功 请在APP上操作
打开万方数据APP,点击右上角"扫一扫",扫描二维码即可将您登录的个人账号与机构账号绑定,绑定后您可在APP上享有机构权限,如需更换机构账号,可到个人中心解绑。
欢迎的朋友
万方知识发现服务平台
获取范围
  • 1 / 1
  (已选择0条) 清除 结果分析
找到 3 条结果
摘要:针对目前域自适应目标识别问题的学习方法,进行系统总结.首先,提出目标识别的两个基本主题:基于域自适应的目标分类和目标检测;然后,围绕这两个主题,从特征和样本两个角度,展开具体综述.认为对于域自适应目标分类,几种算法的主要问题为:忽略了样本所构成的流形几何结构,如果能利用几何结构来约束特征表达,将有利于样本特征鲁棒性的提高.对于域自适应目标检测,其问题为:现有方法对源样本和带标签的目标域样本存在依赖,这一问题使得现有的方法很难适用于某些真实的应用场景.
[期刊论文] 唐宋 陈利娟 陈志贤 叶茂
-
CSTPCD 北大核心
-
摘要:在许多实际工程应用中,训练场景(源域)和测试场景(目标域)的分布并不相同,如果将源域中训练的分类器直接应用到目标域,性能往往会出现大幅度下降.目前大多数域自适应方法以概率推导为基础.从图像特征表达的角度出发,针对自适应图像分类问题,提出一种新的基于协同特征的无监督方法.首先,所有源样本被作为字典;然后,距离目标样本最近的三个目标域样本被用来帮助鲁棒地表达局部近邻几何信息;最后,结合字典和局部近邻信息实现编码,并利用最近邻分类器完成分类.因为协同特征通过融合目标域局部近邻信息,获得了更强的鲁棒性和区分性,基于该特征编码的分类方法具有更好的分类性能.在城自适应数据集上的对比实验结果表明所提算法是有效的.
[博士论文] 唐宋
计算机应用技术 电子科技大学 2017(学位年度)
摘要:目标识别是计算机视觉领域中的一个基础问题,它的核心任务是将不同类别的图像彼此分开(即分类问题),或者从给定的图片中,找到目标物体的准确位置(即检测问题)。经典的目标识别问题假设训练场景和测试场景所服从概率分布相同。但是,在真实应用场景中,这一条件有时并不满足,于是,经常会出现这样的情况:当训练好的分类器或者检测器被应用到一个新的场景时,其性能会迅速下降。对于这一问题,目前采用基于迁移学习的目标识别方法加以解决。近年来,针对这类方法的研究日益受到关注,虽取得了一些成果,但还存在诸多不足,离实际应用也有较大差距。
  本文主要围绕“域自适应目标分类”和“域自适应目标检测”两个基本主题,展开相关研究,针对现有方法所存在问题,提出相应解决方案。对于现有域自适应目标分类方法,其主要问题是:样本本身所构成的流形结构没有被充分利用。针对该问题,本文从特征表达鲁棒性的角度出发,研究如何有效利用样本流形结构,实现鲁棒的特征编码。而对于现有域自适应目标检测方法,其主要问题是:算法对源样本和带标签目标域样本存在依赖。针对该问题,围绕着行人检测这一具体应用,本文从分类器回归、自适应分类器调整和自适应特征调控这三个角度,分别进行研究。本文的主要内容如下:
  1)提出一种基于协同特征的多类别线性分类算法。首先,按照类别依次排列的方式,将所有源样本构成字典;然后,结合该字典和目标样本的最近邻几何结构信息,实现对样本的编码;最后,利用最近邻分类器完成分类。为了进一步讨论目标样本邻域信息对特征表达的影响,我们还提出了两种新的特征,它们分别融合了目标样本局部近邻信息和目标样本自适应局部近邻信息。
  2)提出了一种基于分类器回归的迁移方法,应用于行人检测问题。首先,为回归过程生成训练数据:a)利用ESVM方法为每个源样本生成相应的样例分类器,并将其作为回归标签数据;b)提出一个自编码器神经网络方法,利用其中的编码器对回归标签数据进行降维。然后,为了回归低维回归标签数据,提出了一种由多个子网络构成的两阶段回归网络。在检测时,由回归网络得到的预测值需利用自编码器中的解码器,将其还原到原始空间,并作为测试样本对应的样例分类器来实现分类。
  3)提出一种基于自适应分类器调整的迁移方法,应用于行人检测问题。首先,为了实现分类器自适应调整,提出了一种基于单层感知机的动态分类器。该分类器位于卷积神经网络的最后一层,其模型参数以加权的方式进行调整,而加权值由另一个控制网络预测生成。通过这种方式,该混合网络为每一个目标域样本生成专有的分类器。然后,为了取得更好的泛化效果,设计了新的目标函数。该函数包含两个新的正则化项:一个是基于预测权值稀疏性的约束;另一个是对动态分类器一阶导数的约束,该约束保证动态分类器仅对困难样本敏感。最后,给出了该混合网络的训练算法。在训练过程中,为了避免调控网络梯度消失问题,提出了相应的学习率控制技术。
  4)提出一种基于自适应特征调控的迁移方法,应用于行人检测问题。首先,为了让卷积神经网络自适应地为每个测试样本生成合乎目标场景概率分布的深度特征,提出了一种新的动态池化层,该层通过加权的方式对深度卷积部分所产生的特征实现调控,而且,该层中的池化参数值是由另一网络预测生成。然后,为了训练由受控卷积网络和控制网络所构成的混合网络,提出了包含稀疏约束的目标函数,并在此基础上,提出了针对该混合网络的训练算法。
  (已选择0条) 清除
公   告

北京万方数据股份有限公司在天猫、京东开具唯一官方授权的直营店铺:

1、天猫--万方数据教育专营店

2、京东--万方数据官方旗舰店

敬请广大用户关注、支持!查看详情

手机版

万方数据知识服务平台 扫码关注微信公众号

学术圈
实名学术社交
订阅
收藏
快速查看收藏过的文献
客服
服务
回到
顶部