【摘 要】
:
图像特征提取的质量直接影响图像分类精度,针对现有特征提取方法不能准确提取远离分类边界特征的问题.本文提出一种基于对抗正则化的图像特征提取方法,在分类目标函数中引入对抗性正则化项,其核心思想是将特征经过Dropout得到两个后验分布,分类器最大化后验分布得到分类边界,特征生成器最小化后验分布生成远离分类边界的特征,二者相互对抗鼓励生成更具有代表性的类别信息,同时探究不同概率分布度量方法对特征空间的影
【机 构】
:
南京信息工程大学 电子与信息工程学院,南京210044;南京信息工程大学 人工智能学院,南京210044
论文部分内容阅读
图像特征提取的质量直接影响图像分类精度,针对现有特征提取方法不能准确提取远离分类边界特征的问题.本文提出一种基于对抗正则化的图像特征提取方法,在分类目标函数中引入对抗性正则化项,其核心思想是将特征经过Dropout得到两个后验分布,分类器最大化后验分布得到分类边界,特征生成器最小化后验分布生成远离分类边界的特征,二者相互对抗鼓励生成更具有代表性的类别信息,同时探究不同概率分布度量方法对特征空间的影响.实验表明,经过对抗正则化后生成器网络提取的特征良好,该方法在不同数据集的分类准确率上有所提升.
其他文献
计算机棋类游戏的研究目标是人工智能选手的智力提高,而学习样例对棋局局面的代表性,在很大程度上决定了选手的智力水平,但学习样例的产生方式和优劣判定一直未能引起足够重
在大数据时代背景下,数据规模成指数级增长,传统支持向量机(SVM)已无法适应大数据环境,所以需要将传统支持向量机算法改进使其可以应用于大数据计算框架.针对计算过程中存在
为解决传统协同过滤算法中评分数据高维稀疏、用户评分偏好属性和物品类别偏好属性缺失,而导致推荐效率较低和推荐质量较差的问题,本文提出一种结合对象属性和近似检索的协同
针对目前增量压缩中相似性数据检测方法特征提取过程大多存在计算复杂性大、检测不够精确等问题.本文面向非重复但高度相似数据,提出一种基于增量压缩的数据块局部特征数据相
针对粒子群算法的参数自适应的问题,提出了学习邻域参数的粒子群算法(Particle swarm optimization with learning neighborhood parameter learning,LNPPSO).为了使参数适应
卷积神经网络(Convolutional Neural Networks,CNN)在计算机视觉、自然语言处理为代表的数据处理领域应用广泛.在CNN训练过程中,超参数设置依赖于先验知识,不恰当的超参数会影响模型的训练效率和精度.为了解决这一问题,本文提出基于证据推理规则(Evidential Reasoning Rule,ER Rule)的CNN超参数质量评估模型,可在训练前提供高质量的超参数选择,
针对现有加密图像可逆数据隐藏方法中存在的嵌入率低、直接解密后失真率高的问题,提出了一种面向位平面的自嵌入式的加密图像可逆数据隐藏方法.在图像加密阶段,通过块置换、
面料疵点检测是服装行业生产和质量管理中的重要环节,针对面料自身复杂的特点以及现有疵点检测技术的不足,本文提出了一种改进Faster R-CNN的面料疵点检测技术.具体来说,基于Faster R-CNN网络模型,对卷积神经网络进行优化,将不同尺度的特征金字塔网络模型引入RPN网络以增加细节化的浅层特征,通过对Softmax分类器进行正则化来减小类内间距增大类间间距,不断更新网络参数提高网络收敛能力.
FDK算法是三维锥形束重建中最常用的一种算法,本文通过对锥形束重建过程中滤波函数和插值方法的改进,在原有NEW&R-L滤波函数的基础上,通过调整加权系数,不仅减弱了重建过程中的吉布斯效应,而且对高频部分的噪声抑制效果显著.本文通过将NEW滤波函数和S-L滤波函数结合,并调整加权系数,提出了一种对噪声的图像重建敏感的新的混合滤波器NEW&S-L滤波器,该混合滤波器在保持重建图像空间分辨率的同时,可以
运动目标跟踪作为目前计算机视觉领域的一个研究热点,存在目标旋转变形、运动模糊和背景混杂等难点.针对这些难点情况下多域卷积神经网络目标跟踪算法(MDNet)失效的问题,本文提出一种基于目标分割的多域卷积神经网络跟踪算法,旨在利用分割网络出色的目标定位能力,为MDNet网络构建一种新的网络更新方法.在跟踪过程中,通过目标分割对失效结果进行校正,重新获得目标的精确位置,再将分割获得的目标框作为样本来更新