导读:本文包含了小样本训练论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:样本,卷积,模型,图像,分辨率,直方图,识别率。
小样本训练论文文献综述
吴国强,白涛,王诗源,季飞,黄坤[1]（2018）在《基于迁移学习小样本训练的SAR目标识别》一文中研究指出传统的深度神经网络在训练的过程中,需要的样本数量大,训练时间长,难以收敛。由于SAR目标数据获取的成本高,成像质量较差,使传统的深度神经网络,在针对SAR目标的训练过程中,得到的网络很难以收敛。本文提出了一种基于迁移学习的SAR目标识别方式,该方式需要少量的训练样本,少量的训练次数,即可完成对目标的训练。迁移学习可以将一个训练好的网络迁移到一个全新的网络里,而不需要为了一个特定的任务去从头训练一个神经网络。同时也能达到97.8%的准确率,能有有效迅速的完成对SAR目标的识别工作。(本文来源于《第十五届中国航天电子技术研究院学术交流会优秀论文集》期刊2018-12-13）
李鹏飞[2]（2018）在《小样本训练卷积神经网络构建多目标识别模型》一文中研究指出随着国内外技术的不断发展,目标检测和识别领域已经取得了很大的进步,并且达到了商用的目的。深度学习的识别方法比传统的识别算法的效果更准确,鲁棒性更高。对各类符号的识别已经达到了较高的水平,但在训练时样本收集不充足会使识别率急剧下降,并且有些符号很难在短时间内收集完整。要使样本尽可能的覆盖整个样本空间,就需要有小样本训练卷积神经网络的方法,从而提高训练出来的模型的可靠性,缩短样本准备的周期。在将训练好的网络模型应用于多目标识别时,会遇到难以正确分割目标而导致识别率低的问题,因此,论文提出小样本训练卷积神经网络的方法以及运用循环神经网络思想构建多目标识别模型。首先,对系统的组成与关键技术、和训练样本处理的难点进行介绍和讨论。针对有些符号难以收集的问题,提出处理小样本到大量有效训练样本的扩充方法。该方法针对训练样本的特点,将小样本合理的转换为大量的样本。运用将目标向各个方向平移得到多个不同位置的样本,将原样本和平移后样本中的目标放大和缩小,得到不同尺度的样本。将原样本和处理后得到的样本再做膨胀和细化处理,得到不同规格的样本。然后再将上述得到的所有样本加入噪声,从而得到大量有效的训练样本。该部分作为训练系统的前半部分,后半部分选用经典的卷积神经网络作为识别模型,并阐述训练方法。通过大量的实验,调整和优化网络的参数,使训练出的模型有较高的识别率。从而解决训练样本不足而使训练出的模型识别率低的问题。整个系统输入少量图片样本,最终训练出可靠的模型。在调用模型识别的时候,运用循环神经网络的思想,将识别得到多个结果根据一定的规则组合,获取最终的结果,避免了多目标的切分问题,并达到了很好的多目标识别效果。为了验证该方法的有效性,本文使用MATLAB通过大量的测试样本测试训练出的模型的识别准确率。通过大量的实验对比,本文提出的方法可以有效的将小样本扩充到大量样本,并使得训练出的模型有很高的识别准确率。在模型容忍的畸变范围内,对于数码管数字、印刷体数字和字母,用这种方法训练的叁套模型的识别准确率都在99%以上。在多个目标识别的过程中,运用循环神经网络的思想构建的模型得到了正确的实验结果,解决了传统识别方法难以分割目标的问题。(本文来源于《福建师范大学》期刊2018-03-20）
陈文[3]（2010）在《小样本训练集下人脸图像超分辨率重构算法研究》一文中研究指出图像超分辨率技术是指利用若干幅低分辨率图像作为输入,通过一系列信号处理的手段融合出具有更多高频细节信息的高分辨率图像的方法的总称。由于图像超分辨率技术能在不需要升级现有的硬件设备的条件下,突破硬件设备的性能限制而取得更好的图像效果,因而在视频监控、医疗图像、卫星图像等领域得到广泛的应用。本文针对小样本训练集下,人脸图像超分辨率学习算法普遍存在的块效应和局部失真现象,提出了一种能有效克服上述问题的人脸图像超分辨率学习算法。该算法在马尔可夫网络模型中,通过引入插值和分步放大的策略提高了观察函数的计算精度；通过引入视觉相容性检查准则优化了兼容性函数的计算；通过引入权值机制,提高了算法在有限的训练集条件下利用训练集的能力,实验结果证实了本文算法的有效性。本文针对马尔可夫网络模型下的图像分块、训练集生成、分块方式及分块大小等具体问题,进行了详细的阐述和分析。对影响算法效果的各种因素进行了大量的实验和总结,对如何在图像的重建过程中改进算法的效果提出了自己的观点和建议,为提高人脸图像超分辨率的重建质量做出了积极探索本文设计并实现了一个基于本文算法的系统实验平台,该实验平台能通过不同参数的设置来比较各种因素对算法重建效果的影响,利用该实验平台,我们可以获得本文算法实验效果的详尽数据,便于对算法的实验效果做出客观的评价。(本文来源于《中南大学》期刊2010-05-01）
陈文,黄东军[4]（2010）在《小样本训练集下人脸图像超分辨率重构算法》一文中研究指出文章提出了一种针对小样本训练集的人脸图像超分辨率重构算法。该算法在马尔可夫网络模型的基础上,将视觉相容性检查准则引入到候选分块的匹配准则中,提高了匹配精度和块间兼容性。将权值机制融合进图像的重构过程,强化了训练集的有用性。实验表明,在小样本训练集下,算法能有效地抑制块效应和局部失真现象,明显改善超分辨率图像的质量。(本文来源于《企业技术开发》期刊2010年05期）
程有龙,庄连生,李斌,庄镇泉[5]（2010）在《面向不均衡小样本训练集的改进Boosting算法》一文中研究指出传统的Boosting算法训练出的分类器常会出现过拟合和向多数类偏移.为此,提出一种基于自适应样本注入和特征置换的Boosting学习算法,通过在训练过程中加入人工合成样本,逐渐平衡训练集,并通过合成的样本对分类器学习进行扰动,使分类器选择更多有效的特征,提高了分类器的泛化能力.最后,在两类和多类图片分类问题上对该算法的有效性进行了考察,实验结果表明,该算法能够在样本数很少,且正负样本数量极不均衡的情况下,有效提高booting算法的泛化能力.(本文来源于《中国科学技术大学学报》期刊2010年02期）
冯军红,刘桂林,高立新,段立娟[6]（2003）在《基于小样本训练集的肤色模型建立方法》一文中研究指出肤色模型的应用大多是建立在小样本训练集上,而目前常用的肤色模型理论却主要是利用大训练集来提高模型的精确性。那么,如何实现一种基于小样本训练集的且具有较高精确度的肤色模型呢?文章在对该领域常用的叁种典型肤色模型分析比较的基础上提出了一种多模型相互结合的肤色模型———统计色度空间模型。实验表明在四种模型中效果是最好的。(本文来源于《计算机工程与应用》期刊2003年28期）
小样本训练论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着国内外技术的不断发展,目标检测和识别领域已经取得了很大的进步,并且达到了商用的目的。深度学习的识别方法比传统的识别算法的效果更准确,鲁棒性更高。对各类符号的识别已经达到了较高的水平,但在训练时样本收集不充足会使识别率急剧下降,并且有些符号很难在短时间内收集完整。要使样本尽可能的覆盖整个样本空间,就需要有小样本训练卷积神经网络的方法,从而提高训练出来的模型的可靠性,缩短样本准备的周期。在将训练好的网络模型应用于多目标识别时,会遇到难以正确分割目标而导致识别率低的问题,因此,论文提出小样本训练卷积神经网络的方法以及运用循环神经网络思想构建多目标识别模型。首先,对系统的组成与关键技术、和训练样本处理的难点进行介绍和讨论。针对有些符号难以收集的问题,提出处理小样本到大量有效训练样本的扩充方法。该方法针对训练样本的特点,将小样本合理的转换为大量的样本。运用将目标向各个方向平移得到多个不同位置的样本,将原样本和平移后样本中的目标放大和缩小,得到不同尺度的样本。将原样本和处理后得到的样本再做膨胀和细化处理,得到不同规格的样本。然后再将上述得到的所有样本加入噪声,从而得到大量有效的训练样本。该部分作为训练系统的前半部分,后半部分选用经典的卷积神经网络作为识别模型,并阐述训练方法。通过大量的实验,调整和优化网络的参数,使训练出的模型有较高的识别率。从而解决训练样本不足而使训练出的模型识别率低的问题。整个系统输入少量图片样本,最终训练出可靠的模型。在调用模型识别的时候,运用循环神经网络的思想,将识别得到多个结果根据一定的规则组合,获取最终的结果,避免了多目标的切分问题,并达到了很好的多目标识别效果。为了验证该方法的有效性,本文使用MATLAB通过大量的测试样本测试训练出的模型的识别准确率。通过大量的实验对比,本文提出的方法可以有效的将小样本扩充到大量样本,并使得训练出的模型有很高的识别准确率。在模型容忍的畸变范围内,对于数码管数字、印刷体数字和字母,用这种方法训练的叁套模型的识别准确率都在99%以上。在多个目标识别的过程中,运用循环神经网络的思想构建的模型得到了正确的实验结果,解决了传统识别方法难以分割目标的问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
小样本训练论文参考文献
[1].吴国强,白涛,王诗源,季飞,黄坤.基于迁移学习小样本训练的SAR目标识别[C].第十五届中国航天电子技术研究院学术交流会优秀论文集.2018
[2].李鹏飞.小样本训练卷积神经网络构建多目标识别模型[D].福建师范大学.2018
[3].陈文.小样本训练集下人脸图像超分辨率重构算法研究[D].中南大学.2010
[4].陈文,黄东军.小样本训练集下人脸图像超分辨率重构算法[J].企业技术开发.2010
[5].程有龙,庄连生,李斌,庄镇泉.面向不均衡小样本训练集的改进Boosting算法[J].中国科学技术大学学报.2010
[6].冯军红,刘桂林,高立新,段立娟.基于小样本训练集的肤色模型建立方法[J].计算机工程与应用.2003
论文知识图
