【摘 要】
：
在无监督领域自适应中分类器对目标域的样本进行类别预测时容易产生混淆预测，虽然已有研究提出了相关算法提取到样本的类间相关性，降低了分类器在目标域上的类混淆预测。但该方法仍然未能解决源域和目标域因共享特征稀疏导致的迁移学习能力不足的问题，针对这个问题，通过使用生成对抗网络对源域进行了风格迁移，扩展源域各类样本的特征空间可供目标域匹配的共享特征，解决因共享特征稀疏导致分类器正迁移力不足的问题，从而进一步
论文部分内容阅读
在无监督领域自适应中分类器对目标域的样本进行类别预测时容易产生混淆预测，虽然已有研究提出了相关算法提取到样本的类间相关性，降低了分类器在目标域上的类混淆预测。但该方法仍然未能解决源域和目标域因共享特征稀疏导致的迁移学习能力不足的问题，针对这个问题，通过使用生成对抗网络对源域进行了风格迁移，扩展源域各类样本的特征空间可供目标域匹配的共享特征，解决因共享特征稀疏导致分类器正迁移力不足的问题，从而进一步减少分类器在目标域上产生的类混淆预测。当分类器利用扩充后的共享特征对目标域样本预测分类概率时，基于不确定
其他文献
近年来，脑网络被广泛应用在脑部疾病的诊断和分类中。考虑到大脑的不确定性特征，先前的研究将不确定图应用在脑网络建模中。在不确定脑网络研究中，传统的特征提取方法多采用均值、方差、极差等进行子图特征提取，但是它们存在泛化性能差以及子图间差异无法直接衡量的问题，进而影响分类准确率。因此，相对极差被提出作为新的特征提取方法。这一方法的优点在于既考虑到子图模式间的最大差异，又考虑到子图模式间的组间差异，可以有
跨模态哈希检索以其存储消耗低、检索效率高引起广泛关注。现有研究仍存在如何保持标签语义和语义信息损失问题。为此，本文提出了一种新颖的标签结构保持离散哈希方法LSPDH (Label Structure Preserving Discrete Hashing)，该方法将哈希学习分为哈希码学习和哈希函数学习两步。哈希码学习中，不同于其他使用流形学习提取多模态数据特征的方法，本文方法则运用流形学习提取标签
随着东北虎数量不断减少，识别单只老虎进而做出保护和追踪变得很有意义，故采用了一种基于局部分块和自适应L2正则化方法的东北虎重识别网络模型(Part-basedConvolutionalBaseline-AdaptiveL2，PCB-AL2)以解决在自然环境下东北虎重识别困难等问题。自适应L2正则化因子通过反向传播进行自适应更新，这是通过将正则化因子作为可训练的变量来实现的。针对老虎依靠身体条纹分辨
针对高光谱图像空间信息利用不足、标记样本数量较少的问题，提出一种基于全卷积网络和堆栈稀疏自编码的高光谱图像分类算法。首先，基于迁移学习的思想，利用预训练好的全卷积网络FCN-8s，挖掘图像潜在的多尺度几何结构特征，然后选取其特征的像素邻域信息，采用拼接融合的方法与原光谱信息进行融合，最后利用堆栈稀疏自编码网络完成最终的多尺度空谱特征提取，并通过Softmax分类器实现分类。对三组遥感图像进行实验，
现有人脸表情识别算法易受图像背景、非表情内容等无关因素的影响。此外，部分人脸表情（例如害怕、生气、伤心等表情）的类间差异较小也制约着算法的性能。针对上述两个问题，提出了一种融合面部关键点和权重分配残差网络的表情识别算法。首先通过面部关键点获取最大的表情范围以消除图像背景和非表情内容的干扰，然后将预处理后的表情图像作为深度残差网络的输入，接下来引入权重分配机制从通道和空间维度上进行注意权重推断，实现
针对通用目标检测算法在检测小目标时检测精度低的问题，提出一种基于多尺度感受野融合的小目标检测算法S-RetinaNet。该算法采用残差神经网络（Residual Neural Network， ResNet）提取出图像的特征，利用递归特征金字塔网络（Recursive Feature Pyramid Network， RFPN）对特征进行融合，通过多尺度感受野融合模块（Multiscale Rec
复杂场景中的人脸检测由于受到图像质量、人脸尺度和光线等因素影响，精准地定位小人脸、避免漏检、误检是一件极具挑战性的任务。论文提出了一种基于YOLOv3，融合图像超分辨率重建技术的两级人脸检测模型SR-YOLOv3。针对场景中小人脸目标的漏检问题，利用K-means++算法对先验框进行聚类分析，设置更小尺寸的先验框来捕获小人脸信息；针对模糊小尺度人脸的误检问题，采用Darknet53作为主干网络，融
针对外形相似的水稻种子间分类难、识别正确率低等问题，提出一种卷积神经网络与支持向量机相结合的方法（CNN＿SVM）对8类水稻种子进行分类识别。首先对图像进行切割、旋转等预处理后建立水稻种子图像数据库，其次通过提取图像的方向梯度直方图(HOG)、LBP纹理、SIFT描述子和CNN特征，分别建立SVM、KNN和Softmax分类模型对水稻种子图像进行分类识别比较。最后采用随机加入噪声点方法模拟噪声干扰
为克服不同相机视角之间的域偏移问题，提出一种基于域通用和域分离字典对学习的跨视角行人重识别算法。具体地，基于来自同一相机视角下的行人共享相同的域，并且同一视角中每个行人图像所携带的域信息在短时间内具有一致性，将同一视角下的行人图像分解为特定视角的域信息分量和域分离的行人外观特征分量，提出一个判别字典学习模型以创建用于描述域信息分量的域通用字典和描述行人外观分量的域分离字典。首先，由于来自同一相机视
利用卷积神经网络对行人图像提取一个简单的全局特征，在复杂的行人重识别任务中无法获得令人满意的结果。局部特征学习的方式有助于获取更丰富的人体特征，但往往需要图像中的人体具有良好的空间对齐，而且，将人体各部分特征输入到独立的分支学习局部信息，忽略了人体各部分特征间的相关性，限制模型的性能提升。在此背景下，（1）提出了一种新的多尺度特征学习算法，结合全局与局部特征学习得到更好的行人表示，提升复杂场景下模