基于深度CNN的改进弱监督学习方法设计与验证

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.

关键词：卷积神经网络、弱监督、池化层、机器视觉、局部特征

所属期刊栏目：31

分类号：TP391(计算技术、计算机技术)

资助基金：陕西省教育厅专项科研计划项目17JK0397;陕西省重点研发计划项目2018GY-055

在线出版日期：2019-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：183-190