遷移學(xué)習(xí)在圖像分類中的應(yīng)用研究.pdf

1、隨著物聯(lián)網(wǎng)和圖像技術(shù)的急速發(fā)展，信息表示的方式多樣化，尤其是以圖像表達(dá)出來(lái)的方式，有著直觀，容易理解等優(yōu)點(diǎn)，比如現(xiàn)在各大新聞網(wǎng)站的每則新聞都包含多張圖片，這使得圖像在研究和日常生活中日益重要。如果能解決大量圖像的有效高質(zhì)量的標(biāo)注和分類問(wèn)題，可以使用戶便捷高效地找到有用的數(shù)據(jù)。但是圖像大都來(lái)自不同分布的數(shù)據(jù)集和領(lǐng)域。由于傳統(tǒng)機(jī)器學(xué)習(xí)假設(shè)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)服從相同概率分布，如果利用傳統(tǒng)機(jī)器學(xué)習(xí)的標(biāo)注和分類算法來(lái)挖掘新數(shù)據(jù)信息，性能勢(shì)必下降;

2、如果只利用單個(gè)數(shù)據(jù)集的數(shù)據(jù)訓(xùn)練模型，又體現(xiàn)不出大數(shù)據(jù)的價(jià)值。在實(shí)際應(yīng)用中往往很難滿足同分布條件，即使勉強(qiáng)滿足條件也大大降低了模型的性能。隨著計(jì)算機(jī)信息技術(shù)的快速發(fā)展，如何從海量數(shù)據(jù)中挖掘有效信息并加以利用已經(jīng)成為當(dāng)前研究熱點(diǎn)問(wèn)題。
　　遷移學(xué)習(xí)即是如何在這種訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)概率分布不同情況下進(jìn)行學(xué)習(xí)。遷移就是一種學(xué)習(xí)影響另外一種學(xué)習(xí)，這種遷移不僅可以發(fā)生在知識(shí)和技能領(lǐng)域，在動(dòng)機(jī)、態(tài)度、情感、行為方式以及興趣等領(lǐng)域內(nèi)也同樣是可以發(fā)

3、生遷移的。遷移學(xué)習(xí)降低了訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)必須服從相同分布的限制，能夠挖掘源域和目標(biāo)域間穩(wěn)定不變的結(jié)構(gòu)和特征，可以有效地在相似的領(lǐng)域或任務(wù)間進(jìn)行信息的共享和遷移，可以遷移和復(fù)用源域中有標(biāo)注的監(jiān)督信息。遷移學(xué)習(xí)近幾年成為數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的熱點(diǎn)研究問(wèn)題。
　　本論文深入研究遷移學(xué)習(xí)問(wèn)題，并在大量研究學(xué)者基礎(chǔ)上，提出了兩種不同的遷移學(xué)習(xí)算法。本文的主要工作和創(chuàng)新點(diǎn)在于:
　　1.針對(duì)單一匹配邊緣概率分布縮減源域和目標(biāo)域差異性中存

4、在的泛化能力差的問(wèn)題，提出基于特征聯(lián)合概率分布和實(shí)例的遷移學(xué)習(xí)算法?，F(xiàn)有的遷移學(xué)習(xí)方法大都是基于特征的遷移學(xué)習(xí)方法或者是基于實(shí)例的遷移學(xué)習(xí)方法，與之不同的是，為了進(jìn)一步提高遷移學(xué)習(xí)所獲得的模型泛化性能，該算法在進(jìn)行數(shù)據(jù)特征轉(zhuǎn)換的同時(shí)加入實(shí)例正則項(xiàng)充分挖掘?qū)δ繕?biāo)域有利的相關(guān)實(shí)例。此外，通過(guò)特征學(xué)習(xí)和實(shí)例學(xué)習(xí)，不同域之間的差異性還是明顯存在，該算法不僅縮減域間概率分布差異，同時(shí)縮小域間條件分布差異，并且以最小化這種差異性為目標(biāo)，提出統(tǒng)一的優(yōu)

5、化目標(biāo)函數(shù)。在字符集和對(duì)象識(shí)別數(shù)據(jù)集上的實(shí)驗(yàn)表明所提出算法的有效性。
　　2.針對(duì)目前很多遷移學(xué)習(xí)方法主要減小域間差異性而忽略了數(shù)據(jù)本身隱藏的語(yǔ)義信息，提出一種基于流形學(xué)習(xí)的直推式遷移學(xué)習(xí)方法。該方法首先將各個(gè)領(lǐng)域的數(shù)據(jù)從原始高維特征空間非線性映射到低維特征空間，在該低維空間下，所有數(shù)據(jù)都得到新的表示，然后加入流形學(xué)習(xí)保持?jǐn)?shù)據(jù)幾何分布屬性挖掘數(shù)據(jù)語(yǔ)義信息，最后為了縮減不同域在這個(gè)子空間中的分布差異性，本文通過(guò)加權(quán)的聯(lián)合概率分布最小