多源域混淆的双流深度迁移学习

论文摘要

目的针对深度学习严重依赖大样本的问题,提出多源域混淆的双流深度迁移学习方法,提升了传统深度迁移学习中迁移特征的适用性。方法采用多源域的迁移策略,增大源域对目标域迁移特征的覆盖率。提出两阶段适配学习的方法,获得域不变的深层特征表示和域间分类器相似的识别结果,将自然光图像2维特征和深度图像3维特征进行融合,提高小样本数据特征维度的同时抑制了复杂背景对目标识别的干扰。此外,为改善小样本机器学习中分类器的识别性能,在传统的softmax损失中引入中心损失,增强分类损失函数的惩罚监督能力。结果在公开的少量手势样本数据集上进行对比实验,结果表明,相对于传统的识别模型和迁移模型,基于本文模型进行识别准确率更高,在以DenseNet-169为预训练网络的模型中,识别率达到了97.17%。结论利用多源域数据集、两阶段适配学习、双流卷积融合以及复合损失函数,构建了多源域混淆的双流深度迁移学习模型。所提模型可增大源域和目标域的数据分布匹配率、丰富目标样本特征维度、提升损失函数的监督性能,改进任意小样本场景迁移特征的适用性。

论文目录

• 0 引 言
• 1 双流深度迁移学习模型构建
•   1.1 多源域混淆的深度迁移学习策略
•   1.2 多源域迁移及双流融合的特征提取
•     1.2.1 多源域迁移的特征提取
•     1.2.2 双流融合的特征提取
•     1.2.3 多源域迁移及双流融合的特征提取
•   1.3 复合分类损失函数
•     1.3.1 softmax损失函数
•     1.3.2 中心损失函数
•     1.3.3 构建复合分类损失函数
• 2 实验结果与分析
•   2.1 实验平台和数据集
•   2.2 实验超参数设置
•   2.3 模型识别流程
•   2.4 实验结果
•     2.4.1 验证复合损失函数的有效性
•     2.4.2 验证多源域混淆迁移学习的有效性
•     2.4.3 多源域混淆的双流深度迁移学习模型性能
• 3 结 论

文章来源

类型: 期刊论文

作者: 闫美阳,李原

关键词: 小样本,迁移学习,多源域,双流卷积融合,域混淆

来源: 中国图象图形学报 2019年12期

年度: 2019

分类: 信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 北京理工大学自动化学院

基金: 国家自然科学基金项目(61472037,61433003)~~

分类号: TP181;TP391.41

页码: 2243-2254

总页数: 12

文件大小: 7198K

下载量: 185