基于半監(jiān)督學習的物體識別.pdf

1、物體識別是機器學習中的基本問題，解決對文本、圖片、視頻等數(shù)據(jù)做分類識別的問題。在數(shù)據(jù)量較少的情況下，傳統(tǒng)的機器學習方法已經(jīng)取得了很好的效果。但是，隨著信息量指數(shù)式的增加，獲得大量的數(shù)據(jù)標注已經(jīng)變得幾乎無法完成，這使得傳統(tǒng)的機器學習方法在處理這類問題的時候顯得力不從心。在這樣的情況下，半監(jiān)督學習方法應運而生，它是使用少量有標注數(shù)據(jù)的信息，將其擴展到未標注數(shù)據(jù)上，從而可以解決示例數(shù)據(jù)和標注數(shù)據(jù)在數(shù)量上嚴重不匹配的問題。本文闡述了針對難以獲得

2、的精確標注和容易獲得的粗略標注同時存在的情況下的半監(jiān)督學習問題，研究了協(xié)同訓練的魯棒性問題，即對給定初始標注數(shù)據(jù)中的錯誤，對協(xié)同訓練性能的影響。在協(xié)同訓練的魯棒性問題的基礎上，本文將信息瓶頸算法和計算后驗概率的方法相結合，創(chuàng)新性地提出了一種使用無監(jiān)督學習方法產(chǎn)生偽標注的方法。與現(xiàn)有方法相比，該方法僅需要較少的標注信息，并可有效降低計算復雜度。在使用偽標注的過程中，本文創(chuàng)新性地提出了一種使用偽標注的協(xié)同訓練方法。該方法以重排序算法為主要框