【摘 要】
：
自深度学习提出以来,得到科研人员和工业界广泛关注,在诸如计算机视觉等领域取得了飞速进展。图像分类任务则是计算机视觉中最为重要的任务之一,深度学习在解决图像分类任务方面涌现出了大量的经典算法。但是多数经典的算法需要大量已知标记的样本做支撑,一方面需要实际应用的有力支撑,同时需要耗费巨大的人力和财力。在减少标记需求方面,主动学习方法和迁移学习方法是常用的两种策略,但这两种策略均有相应局限:主动学习对样
论文部分内容阅读
自深度学习提出以来,得到科研人员和工业界广泛关注,在诸如计算机视觉等领域取得了飞速进展。图像分类任务则是计算机视觉中最为重要的任务之一,深度学习在解决图像分类任务方面涌现出了大量的经典算法。但是多数经典的算法需要大量已知标记的样本做支撑,一方面需要实际应用的有力支撑,同时需要耗费巨大的人力和财力。在减少标记需求方面,主动学习方法和迁移学习方法是常用的两种策略,但这两种策略均有相应局限:主动学习对样本标记的需求依旧较大,实际中很难适用于解决小样本分类问题;迁移学习局限于缺乏目标域关键信息以及域间分布的差异性即源域中还存在大量无益于迁移学习的无效源域样本。针对以上问题,基于主流的主动学习和迁移学习方法分析,本文做了两个方面的工作。首先,提出了一种基于单主动学习的域适应算法,将极大极小熵的域适应迁移学习算法和核心集采样的主动学习算法相融合,实现了在小样本条件下对目标域关键样本的选取,大大减少了标记样本所需的成本。其次,为解决无效源域样本问题,本文在源域上采用损失预测主动学习策略,提出了一种基于双主动学习的域适应算法,借助选取出的已知目标域样本,实现了对源域样本的有效筛选,一定程度上消除了负迁移影响。为验证所提两种算法的有效性,本文在实际的图像分类数据集上进行了多组对比实验,最终实验表明所提的基于双主动学习的域适应算法比传统的主动迁移学习算法的分类准确率最高高出4.0%,筛选参与训练的源域样本的筛选率最低可达2.7%。系列对比实验的结果以及分析证明了本文所提两种算法的合理性与有效性。
其他文献
深部围岩动力灾害发生的本质在于围岩积聚能量的突然释放，通过锚固支护实现能量的有效吸收是围岩控制的常用手段，也是围岩动力灾害控制的关键。锚固岩体动力特性及控制机制研究是锚固支护合理设计的前提。基于此，本文研发了新型高强、高延伸率、高吸能特性恒阻吸能支护材料，开展了恒阻吸能锚固岩体动力试验，分析了锚固岩体的动力学响应特征与能量演化规律。结果表明，与无锚岩体相比，恒阻吸能锚固岩体表面损伤率和体积损伤率分
辐射供冷空调系统因其具有节能、热舒适性好及噪音低等优点,被人们广泛关注并加以使用。本文所研究的埋构式地板辐射供冷系统是一种新兴的辐射供冷空调系统,其独特之处在于该类型的辐射地板是将换热盘管预埋于建筑现浇混凝土结构层中,换热盘管与结构层形成一体并直接作为供冷的末端。与传统辐射供冷系统相比,埋构式地板辐射供冷系统除了具有节能、热舒适性好的优点之外,还不占用建筑层高、不限制楼板承重,逐渐受到关注。辐射地
网络结构自然地表达事物间的联系,在日常生活的各个方面都有体现。如何合理地表示网络中节点的特征信息是图结构分析的一个重要研究内容。网络表示学习是节点特征学习的一类方法,将网络中的节点特征转化为低维稠密实数向量应用于后续的链接预测和节点分类任务中,传统的网络表示学习方法不足之处在于没有充分考虑节点的全局和局部特征,因此,本文充分考虑网络节点的拓扑特征提出SINE（Second Information
在设计非线性系统的控制方案时,死区、齿隙、摩擦和未知非线性环节等均会对闭环输出信号的跟踪效果产生负面影响,主要表现为齿隙在某一时间段内的发生的力矩时滞,进而导致系统对参考信号的跟踪误差以及齿轮做换向运动时因冲击而产生的扰动信号。因此,如何利用自抗扰控制、滑模控制等先进控制方法对非线性环节补偿抑制进而提高系统的瞬态和稳态性能一直是控制研究的热点之一。本文首先对死区和齿隙非线性之间的关系进行分析并重点
在石油钻井的过程中,随钻测试仪器能够及时测量反馈井的斜度、方位、井下温度、钻杆扭矩等参数,是钻井工程顺利进行的安全保障。大多数随钻测试仪器的供电采用锂电池,此种方式存在供电量小、安全度小、污染严重等多种弊端。采用永磁同步发电机的供电方式可克服掉锂电池供电所带来的诸多缺陷,提高供电稳定性,能够为钻井工程的顺利进行提供相应保障。石油钻井过程中,通常采用循环泥浆对钻头进行冷却和润滑,若将流动泥浆中蕴含的
随着采掘机械化程度的提高和开采深度的增加,矿井粉尘污染、高温热害问题日益严重,威胁着井下工人的身体健康和企业的安全生产。喷雾除尘降温由于其具有方便快捷等特点得到了广泛的应用,但纯水喷雾对于疏水性强的粉尘除尘效率较低,纯水喷雾雾化程度低、比热容低等也影响了降温效率,且目前对活性磁化水除尘降温综合性能研究不够深入。本文在理论分析的基础上,采用实验研究、数值模拟和工程应用设计等相结合的方法,从活性磁化水
随着科学研究的不断进步以及工程实践的快速发展,多目标优化问题的存在越来越普遍。多目标进化算法由于其基于种群的特性成为了解决该类问题最有效的方法之一。尽管大量的变异算子被设计出来解决具有各种难点的优化问题,但绝大部分多目标进化算法仍然在面对不同问题时使用固定的变异算子。依靠重复实验选出最合适的算子需要消耗大量的人力物力,因此近些年来的一些研究致力于在算法搜索过程中自适应地选择不同的算子来避免繁杂的人
大数据时代的降临,伴随着医学成像设备的升级,产生了大量的医学影像数据,加重了影像分析医生的负担。因此,容易会出现疾病漏诊误诊的情况,导致诊断结果出现偏差。人工智能技术使计算机辅助医生进行疾病诊断成为可能。辅助诊断不仅减轻了医生负担,还减少了漏诊误诊的可能性。医学影像分割技术,正是辅助诊断的基础。然而,基于深度学习的分割技术需要大量的已标注信息。该需求与当前医学影像标注数据量少、标注数据昂贵、迁移成
医学图像分割是进入新世纪以来日益蓬勃发展的一项技术,在许多医疗任务中都需要对医学图像进行初步的处理,因此医学图像分割任务已经成为众多科研人员热衷的领域。为了得到更好的分割结果许多经典的算法和网络被提出,例如机器学习算法、深度学习甚至图论算法。本文主要研究了医疗图像领域中交互式方法在深度学习应用。在医疗图像中将交互式方法和深度学习相结合,通过用户提供交互信息给深度学习框架,引导网络参数朝着用户指定的
医学图像分割,其目的是精确地勾勒出人体器官、病变或组织的轮廓,它作为常见疾病筛查和病灶分析的先决条件,是进行准确诊断的重要步骤。然而,以人工的方式对医学图像进行分割需要花费巨大的成本,因此,在当前我国医疗资源不平衡、不充分的前提下,使用计算机技术对医学图像进行自动化分割具有十分重要的意义。通过这种方式,可以极大的缓解医疗人员的工作压力,并为临床诊断提供辅助指导。由于医学影像的特性,对微小结构的分割