基于少量样本的深度学习图像识别算法研究

《基于少量样本的深度学习图像识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号学号学校代码密级硕士学位论文基于少量样本的深度学习图像识别算法研究学位申请人：杜绪晗学科专业：电子与通信工程导师：刘文予教授兼职导师：陈瑞军高工答辩日期：2017.05.24万方数据AThesisSubmittedinPartialFulfillmentoftheRequirementsfortheDegreefortheMasterofEngineeringResearchonAlgorithmofDeepLearningImageRecognitionBasedonSmallSampleCandidate:DuXuhanMajor:ElectronicandCommunicatio

2、nEngineeringSupervisor:Prof.LiuWenyuHuazhongUniversityofScience&TechnologyWuhan430074,P.R.ChinaMay,2017万方数据独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文

3、的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密□，在年解密后适用本授权书。本论文属于不保密□。（请在以上方框内打“√”）学位论文作者签名：指导教师签名：日期：年月日日期：年月日万方数据华中科技大学硕士学位论文摘要随着近几年深度学习的火热，人们对未来人工智能世界的期待越来越大，并且越来越多的优秀的神经网络模型浮出水面，使得图像分类、人脸识别、语音识别等等一些人工智能项目变得简单。然而这些模型需要大量的数据作为训练

4、模型的基础，对于一些样本难以大量采集、或样本数量很少的情况下，则需要一种新的思路去解决。所以本文针对少量样本的问题，提出一种带有记忆扩增的神经网络，该网络具有参数少、识别速度快、“端到端”结构完整等特点，能够充分利用已有的图像，在少量样本的情况下，获得相比传统神经网络更高的图像识别效果。本文基于神经网络特征在度量学习方面的研究，提出一种比对网络，用一组带有标记的特征去识别一个不带标记的样本。创新点在于：引入注意核机制，将记忆扩增矩阵与传统神经网络相结合，形成全新的神经网络架构；提出了如何获取记忆扩增矩阵的方法；并针对比对网络的输出，设计对应的loss函数来达到训练网络参数的目的；最后提出一整

5、套训练、获得比对网络的完整流程。比对网络是在传统的神经分类网络上做进一步的度量学习，所以其识别的效果要优于传统神经网络。在实验章节中，本文运用了四种不同特点的数据集来测试比对网络，有样本数极少的数据集，也有样本数相对充足的数据集。从每个类别的识别率比较，存在传统神经网络识别正确而比对网络识别错误的少数情况，并给出了错误分析。从总体的识别率分析，比对网络的识别结果均比传统神经网络有明显的提升。关键词：深度学习识别网络记忆扩增比对网络度量学习I万方数据华中科技大学硕士学位论文ABSTRACTWiththedeeplearningbeinghotinrecentyears,people’sexpe

6、ctationsforthefutureoftheArtificialIntelligenceisgrowing.Andmoreandmoreexcellentneuralnetworkmodelshavesurfaced,whichmakeimageclassification,facerecognition,speechrecognitionandetc.,theartificialintelligenceprojects,becomesimple.However,thesemodelsrequirealargeamountofdataasthebasisforthetrainingmo

7、del,forsomesamplesdifficulttolargecollection,orasmallnumberofsamplesofthecase,anewwayisneededtosolve.Therefore,akindofneuralnetworkwithmemoryaugmentationisproposedforasmallnumberofsamplesinthisthesis.Thiski