基于改进卷积神经网络的多标记分类算法
良好的特征表达是提高模型性能的关键,然而当前在多标记学习领域,特征表达依然采用人工设计的方式,所提取的特征抽象程度不高,包含的可区分性信息不足.针对此问题,提出了基于卷积神经网络的多标记分类模型ML_DCCNN,该模型利用卷积神经网络强大的特征提取能力,自动学习能刻画数据本质的特征.为了解决深度卷积神经网络预测精度高,但训练时间复杂度不低的问题,ML_DCCNN利用迁移学习方法缩减模型的训练时间,同时改进卷积神经网络的全连接层,提出双通道神经元,减少全连接层的参数量.实验表明,与传统的多标记分类算法以及已有的基于深度学习的多标记分类模型相比,ML_DCCNN保持了较高的分类精度并有效地提高了分类效率,具有一定的理论与实际价值.
多标记学习、卷积神经网络、迁移学习、全连接层、特征表达、多标记分类、深度学习、损失函数
14
TP181(自动化基础理论)
国家自然科学基金项目61563016,61603404,61462037,61663002;江西省教育厅科技项目GJJ150546;江西省自然科学基金项目2018BAB202023
2019-08-07(万方平台首次上网日期,不代表论文的发表时间)
共9页
566-574