多源域混淆的双流深度迁移学习

• 作者: 李原 闫美阳
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 小样本 迁移学习 多源域 双流卷积融合 域混淆
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 图像分析和识别
• 页码范围: 2243-2254
• 页数: 12页
• 分类号: TP301.6
• 字数: 6301字
• 语种: 中文

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李原	北京理工大学自动化学院	9	95	5.0	9.0
2	闫美阳	北京理工大学自动化学院	1	0	0.0	0.0