基于深度CNN的改进弱监督学习方法设计与验证

• 作者: 尚重阳 赵东波 陈杰
• 来源期刊: 重庆邮电大学学报（自然科学版）
• 学科: 工学
• 关键词: 卷积神经网络 弱监督 池化层 机器视觉 局部特征
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 未来网络与智能应用
• 页码范围: 183-190
• 页数: 8页
• 分类号: TP391
• 字数: 4906字
• 语种: 中文
• DOI: 10.3979/j.issn.1673-825X.2019.02.005

摘要

针对包含目标、尺度和平移变化较强的空间信息难以获取大量训练样本的问题,提出一种基于深度卷积神经网络(deep convolutional neural network,DCCN)的弱监督学习方法,从3个层面对当前卷积神经网络进行扩展.为了提取分辨率更高的局部特征,同时考虑到全卷积网络(full convolution network,FCN)在全监督式学习下的高效性能,使用FCN作为后端模块;为了获取更多的通用特征,增加一个多映射弱监督学习的传输层,对与补充性类模态相关的多个局部特征进行显式学习;为了优化训练过程,改进了池化层,使用全局图像标签进行训练,将空间得分聚合为全局预测.使用图像分类、弱监督逐点目标定位和图像分割3种常用的机器视觉任务进行评估.多个公开数据库的实验结果表明,所提方法能够有效地学习强局部特征,具有良好的分类和定位效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	尚重阳	西安航空学院电子工程学院	13	52	4.0	7.0
2	陈杰	西安航空学院电子工程学院	9	9	1.0	2.0
3	赵东波	西安航空学院电子工程学院	8	14	2.0	3.0