基于深度學(xué)習(xí)的弱監(jiān)督分類算法及應(yīng)用.pdf

1、大數(shù)據(jù)時代對于數(shù)據(jù)的智能分析處理能力提出了越來越高的要求，依靠傳統(tǒng)的人工大規(guī)模標(biāo)注數(shù)據(jù)來訓(xùn)練分類器的有監(jiān)督方法已經(jīng)變得不再可行。以非監(jiān)督和半監(jiān)督為代表的弱監(jiān)督分類方法成為有效解決這一問題的關(guān)鍵技術(shù)之一。傳統(tǒng)的弱監(jiān)督分類方法大多僅適用于小規(guī)模數(shù)據(jù)，且無法提取高度非線性的特征空間。深度學(xué)習(xí)技術(shù)所具有的天然優(yōu)越性為解決這個問題提供了新的思路。本文基于深度學(xué)習(xí)技術(shù)，對弱監(jiān)督分類方法進(jìn)行了深入研究，并將其成功運(yùn)用到圖像分割和步態(tài)識別等視覺計算實際

2、問題中，所取得的主要創(chuàng)新成果如下:
　　1.提出了一種基于深度自編碼的非監(jiān)督聚類算法。該算法以深度自編碼網(wǎng)絡(luò)為基礎(chǔ)，能實現(xiàn)在特征空間自動聚類，并進(jìn)一步通過類內(nèi)類間約束得到更好的聚類結(jié)果，經(jīng)過多次迭代讓聚類分布更加緊致，在四個數(shù)據(jù)庫上的實驗結(jié)果證明了該算法的有效性。
　　2.提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的半監(jiān)督聚類算法。該聚類模型包含三個卷積層、三個用于分類的全連接層和一個用于圖像重建的全連接層，另包含兩個約束，分別是圖像分類約

3、束和圖像重建約束。選取聚類難度非常大的CIFAR-10數(shù)據(jù)集作為驗證模型的數(shù)據(jù)庫，在兩種約束方式下的實驗結(jié)果證明了該算法的有效性。
　　3.提出了一種基于逐圖分割的CNN模型的人形圖像分割方法。由于標(biāo)注樣本極少，該方法采用了多種數(shù)據(jù)擴(kuò)增方法，同時采用了防止過擬合的drop-out技術(shù)。相比傳統(tǒng)的逐像素分割方法，該方法的速度提高了10，000倍。
　　4.提出了一種融合分割與識別一體化模型的步態(tài)識別方法。該算法采用樣本自動生成