基于梯度提升决策树与混合型迁移学习的材质属性标注模型

• 作者: 姬东鸿 张红斌 朱涛 殷依 邬任重 邱蝶蝶
• 来源期刊: 中国科技论文
• 学科: 工学
• 关键词: 材质属性标注 梯度提升决策树 混合型迁移学习
• 年，卷（期）: 2018,（20）
• 页码范围: 2378-2387
• 页数: 10页
• 分类号: TP391
• 字数: 8331字
• 语种: 中文
• DOI: 10.3969/j.issn.2095-2783.2018.20.016

摘要

提出了基于梯度提升决策树(gradient boosting decision tree,GBDT)与混合型迁移学习策略的材质属性标注模型,创建全新的材质属性数据集MattrSet,提取图像LBP、Gist、SIFT特征;引入GBDT算法,基于对数似然损失函数优化标注模型,实现图像的材质属性标注;设计混合型迁移学习策略,弥补样本缺失或不平衡问题,并进一步改善标注性能.实验结果表明:迁移学习前,梯度提升决策树算法的标注性能较最强基线提升2.78％;执行基本迁移学习策略后,标注性能比迁移学习前提升11.02％;合理地组合模型并执行混合型迁移学习策略,标注性能比基础迁移学习提升22.5％,较最强基线提升16.80％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张红斌	华东交通大学软件学院	48	189	7.0	11.0
2	姬东鸿	武汉大学国家网络安全学院	92	887	16.0	26.0
3	殷依	华东交通大学软件学院	6	6	2.0	2.0
4	朱涛	华东交通大学信息工程学院	7	7	2.0	2.0
5	邱蝶蝶	华东交通大学软件学院	5	3	1.0	1.0
6	邬任重	华东交通大学软件学院	7	3	1.0	1.0