基于深度动态联合自适应网络的图像识别方法
相比传统的图像识别方法,利用深度网络可以提取到表征能力更好的特征,从而获得更好的识别效果.现实中任务提供的数据多为无标签数据或部分有标签数据,其为深度网络的学习带来了困难.而迁移学习的方法可以将从源域数据中学习到的知识迁移到目标任务的学习中,以解决有标签数据不足的问题.为了在迁移过程中减小源域和目标域间的图像数据差异,文中提出基于深度动态联合自适应网络的图像识别方法.对网络进行训练时,首先在多层网络结构中利用域间动态联合自适应方法完成针对性的数据分布自适应,然后利用熵最小化原则使学习的目标分类器穿过目标域的低密度区域,从而提高对目标域图像的识别精度.在2018年AI challenge比赛提供的24种植物病害数据集的3种迁移任务(g1->g2,s1->g2和s2->g2)中,所提方法的准确率分别达到了97.27％,94.25％和93.66％,均优于其他算法.实验结果证明,文中提出的基于深度网络并使用动态联合自适应和熵最小化原则的学习框架能够准确识别图像.
迁移学习、领域自适应、深度学习、卷积神经网络、植物病害
48
TP391.41(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;国家自然科学基金;江苏省科技支撑计划;江苏省高等学校自然科学研究项目;江苏省高等学校自然科学研究项目;江苏省自然科学基金;江苏省"六大人才高峰"高层次人才项目
2021-06-28（万方平台首次上网日期，不代表论文的发表时间）
共7页
131-137
