2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩68頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、半徑-間隔學習方法作為機器學習領域較為熱門的研究方向之一,在分類和識別等應用中得到了廣泛的關注。半徑信息的變化隱含在特征變換過程中,對于分類器的性能優(yōu)化起著重要的作用?,F有的半徑-間隔學習方法均存在一定的缺陷和不足,限制分類器性能的進一步提升,同時算法的計算效率也有待提高。
  針對上述問題,本文從模型優(yōu)化的角度出發(fā),構建了一個高效的基于Log-det正則化的半徑-間隔支持向量機模型(L-SVM)。由于傳統(tǒng)的半徑-間隔SVM屬于有

2、約束的非凸模型,本文首先通過對半徑R進行約束近似,將原始問題轉化為無約束的凸優(yōu)化模型,并采用Log-det正則化項進一步降低模型過擬合的可能性,同時給出了高效的算法求解策略。后續(xù)在多個UCI數據集上的線性和非線性分類結果驗證了模型的有效性。其次,為了驗證模型的泛化能力,我們將提出的模型應用于動作識別任務中,通過對視頻提取多種局部特征,并采用Fisher Vector進行編碼,最終用L-SVM分類器進行分類。實驗結果表明本文提出的模型具備

3、良好的泛化能力,能夠適用于各項不同的分類識別任務。
  通過將逐層次的特征提取和分類器學習相結合,卷積神經網絡(CNN)在計算機視覺的多項任務中都取得了優(yōu)異的性能。受此啟發(fā),本文將L-SVM模型嵌入到CNN框架中,通過交替迭代優(yōu)化的方法提升動作識別的性能。為了提升CNN特征的區(qū)分能力,本文還將center正則化項加入到目標函數當中,保證在最大化類間間隔的同時最小化類內間隔。此外,本文也嘗試在CNN網絡中間層加入監(jiān)督信息,以進一步提

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論