【摘 要】
：
深度学习需要用到大量有标签的数据,即使在大数据时代,能用的有标签数据也不多,从而需要将深度学习与半监督学习结合起来。目前,全连接层已被证实,在迁移学习中可以起到很好的作用。在迁移学习的背景下,针对半监督分类问题,笔者基于marginGAN生成对抗网络使用了基于Dropout算法的全连接神经网络作为分类器,分类器的损失函数增加了拉德马赫正则项,验证了拉德马赫在半监督分类任务中的有效性。
论文部分内容阅读
深度学习需要用到大量有标签的数据,即使在大数据时代,能用的有标签数据也不多,从而需要将深度学习与半监督学习结合起来。目前,全连接层已被证实,在迁移学习中可以起到很好的作用。在迁移学习的背景下,针对半监督分类问题,笔者基于marginGAN生成对抗网络使用了基于Dropout算法的全连接神经网络作为分类器,分类器的损失函数增加了拉德马赫正则项,验证了拉德马赫在半监督分类任务中的有效性。
其他文献
传统的曲率计算方法对离散域上的局部变化和噪声敏感,使得角点检测准确率和定位存在偏差。为了减少上述问题,提出了一种多尺度离散曲率来计算曲率并检测角点。首先,用Canny边缘检测器处理输入图像,得到一个二值化边缘图,然后从边缘图中提取边缘轮廓,沿着轮廓填充缝隙,检测并标记T型角点;其次,在3个不同的平滑尺度下,用高斯函数对每条平面曲线进行平滑处理,再使用新的曲率度量方式,计算经平滑后每个轮廓上点的曲率
为减少误匹配率,提升视差计算精度,提出了一种改进Census变换与路径代价的立体匹配算法。首先,通过采取设定阈值选取参考像素替换中心像素,并将灰度差绝对值算法(absolute difference, AD)和梯度代价归一化加权融合进行代价计算,以提升视差计算精度,增强算法稳定性;其次,设计了一种根据像素颜色差值确定惩罚因子的方法,实现了对不同区域匹配效果的提升;最后,采用加权中值滤波、视差非连续
为解决图像语义分割中边缘分割模糊与小目标物体分割不精细的问题,提出了一种高精度语义分割方法。该方法利用MobileNetV3网络,提取多级的浅层轮廓特征和深层语义特征,通过PSP-Net模型中的金字塔池化模块和上采样操作,将多级浅层的轮廓特征信息与深层的语义特征信息进行融合,实现了多级特征融合的高精度图像语义分割。在Nyu-V2数据集上实验的结果表明,该算法明显提高了对小目标特征的描述能力。在Pa
针对目前图像修复中存在的大面积缺失、修复语义不连贯、纹理不清晰、分辨率低等问题,提出一种深度生成式对抗网络的超分辨率(deep super resolution generative adversarial network, DSRGAN)图像修复与重建方法。首先,提出改进的DenseNet网络结构作为生成器,提取图像生成的特征信息实现残损图像上下文信息的准确定位;其次,构建相对条件判别器,实现图
针对YOLOv3模型对真实道路环境下近、远端目标车辆检测率低、鲁棒性差的问题,给出了一种基于改进YOLOv3模型的车辆多目标检测模型——YOLOv3-Y模型。模型基于Darknet-53特征提取网络,将网络输出的8倍降采样特征图与4倍降采样特征图进行拼接,建立104×104尺度的检测层;在包含4个类别的车辆数据集中,利用K均值(K-means)聚类算法选取出12个先验框并分别匹配到4个不同尺度的检
人体姿态估计是计算机视觉研究领域的重要方向之一,广泛应用于人类活动识别、人机交互等方面,但人体姿态估计方法准确度上通常表现较差。基于上述问题,提出一种基于热图引导连接(heatmap-guided connection, HGC)的人体姿态估计方法,用于在保持低算法复杂度的同时提高回归精度。HGC方法利用关键点热图引导关键点回归,并采用一种尺度自适应热图估计,以处理人体实例在尺度的多样性;然后,通
为了提高数字媒体物联网(DMIoT)的数据库资源调度效率,提出一种基于机器学习的快速调度(MLS)方法.该方法利用数据融合技术,以实现用户体验质量的优化.MLS采用一种多模式数据融合方法,以建立不可控用户数据与可控网络相关因素之间的体验质量映射.MLS建立了融合结果的自动体验质量优化模型,能够自动调整与网络相关的系统数据,以实现最佳的用户满意度.仿真结果表明,MLS将大大提高体验质量水平,并适应动
高效准确的流线绘制一直是流场可视化的重要研究内容,流线可以对流场的重要特征进行有效的稀疏表示,但流线需要长期的粒子追踪过程及大量的积分计算,在面向大规模流场可视化时时间效率较低,需要高性能计算设备进行辅助计算.本文通过设计一种基于深度学习的高精度流线生成算法,将初始的低精度流线快速映射为稠密的高精度流线,可以在较短的时间内快速生成可靠的流线可视化结果,并在此基础上设计了交互式实时流场可视化系统,涵
目前而言,我国标识识别技术正处于飞速发展阶段,具体体现在处理精度、再现性、灵活性、适用面、信息压缩等方面,但是,在实际发展过程中,该技术的发展还是受到了实际需求的限制.深度学习模型运算量大,难以在轻量级嵌入式设备上运行,工业生产中噪声种类繁多复杂,影响识别准确性.针对上述问题,本文提出一种基于卷积神经网络的标识识别技术,利用改进的Canny边缘检测算法,来增强对边缘信息提取时的鲁棒性,实现在高噪声
本文研究了基于神经网络随机梯度下降法的手写数字识别方法。首先,阐述了基于MNIST手写数字图像的神经网络识别模型;其次,分析了基于神经网络随机梯度下降法的手写数字识别方法的实现步骤;最后,完成的实验表明该方法的识别准确率较高。