实现网络视频流多分类的迁移学习算法

摘要：

在现实世界中,可用的训练数据通常较少,且很容易过时,所以需要不断采集和标记大量新的数据集;针对此问题,提出一种基于SAMME和TrAdaBoost算法的迁移学习分类方法.该方法的核心思想是:从老视频流数据集中筛选出有用的样本来帮助模型识别新的未知视频流集样本,这里新老视频流数据集的样本特征分布是不相同的.同时该方法结合SAMME算法将TrAdaBoost算法从只可实现两分类扩展至多分类.实验结果表明,与现有方法比较,该方法能更好地实现对六种类型视频流的精细分类,并减少大量已标注老数据集的浪费.

关键词：迁移学习、视频业务、网络流分类

所属期刊栏目：57

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61271233

在线出版日期：2021-07-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：164-168