深度特征學(xué)習(xí)網(wǎng)絡(luò)算法研究.pdf

1、目前，深度學(xué)習(xí)在圖像識(shí)別、語音識(shí)別、文本分析等人工智能領(lǐng)域已經(jīng)取得廣泛成功應(yīng)用。然而在圖像識(shí)別問題上，小樣本數(shù)據(jù)下網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和網(wǎng)絡(luò)訓(xùn)練的研究還比較缺乏；在目標(biāo)檢測(cè)問題上，沒有形成基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架；在回歸預(yù)測(cè)問題上，有效的深度特征學(xué)習(xí)模型還沒有形成，利用深度網(wǎng)絡(luò)進(jìn)行特征選擇的成果也十分稀少。針對(duì)以上問題，首先，本文實(shí)現(xiàn)了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的圖像識(shí)別和目標(biāo)檢測(cè)，通過固定初始化CNN的參數(shù)和整體有監(jiān)督微調(diào)訓(xùn)練方式，較好的完

2、成了小樣本、低分辨率情況下的圖像識(shí)別任務(wù)，并在此基礎(chǔ)上提出了一種基于CNN的目標(biāo)檢測(cè)框架，實(shí)現(xiàn)了圖像中的單目標(biāo)檢測(cè)或多目標(biāo)檢測(cè)。其次，針對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)在回歸問題上應(yīng)用較少的現(xiàn)狀，本文提出了一種新的SCAE-SVR回歸模型，改進(jìn)了經(jīng)典的堆疊緊縮自動(dòng)編碼機(jī)，引入支持向量回歸機(jī)來代替經(jīng)典深度特征學(xué)習(xí)網(wǎng)絡(luò)末端的全連接層，結(jié)合了深度學(xué)習(xí)網(wǎng)絡(luò)在特征提取上的優(yōu)勢(shì)和支持向量回歸機(jī)在回歸性能上的優(yōu)勢(shì)，增強(qiáng)了深度學(xué)習(xí)網(wǎng)絡(luò)的預(yù)測(cè)能力。再次，針對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)在