基于深度多任务学习的层次分类
针对现有的深度卷积神经网络往往训练平行的分类器层, 很少关注类别的层次性结构, 导致均衡性分类器训练难度较大的问题, 提出一种结构化的深度多任务学习算法. 该算法结合深度卷积神经网络与层次分类, 使类别之间的结构性信息融入至深度卷积神经网络中. 依托树形的类别结构设计了一个带有共享层的多分支网络结构, 并使用一种关联性多任务分类器学习算法协同训练各网络分支的分类器层; 为了抑制层次间的误差传播, 在各分支网络的分类器层的学习过程中添加一个基于父子关系的结构化限制. 采用 CIFAR100和手工采集到服装数据集, 在tensorflow平台上进行实验, 结果表明文中算法相比于基准网络可以提高2%~4%的分类准确度.
卷积神经网络、深度学习、层次分类、多任务学习
30
TP181(自动化基础理论)
国家自然科学基金61379106,61379082,61227802;山东省自然科学基金ZR2013FM036,ZR2015FM011
2018-06-12(万方平台首次上网日期,不代表论文的发表时间)
共7页
886-892