融合关系特征的半监督图像分类方法研究
半监督深度学习模型具有泛化能力强,所需样本数较少等特点,经过10多年的发展,在理论和实际应用方面都取得了巨大的进步,然而建模样本内部"隐含"关系时模型缺乏解释性以及构造无监督正则化项难度较大等问题限制了半监督深度学习的进一步发展.针对上述问题,从丰富样本特征表示的角度出发,构造了一种新的半监督图像分类模型——融合关系特征的半监督分类模型(semi-supervised classification model fused with relational features,SCUTTLE),该模型在卷积神经网络模型(convolutional neural networks,CNN)基础上引入了图卷积神经网络(graph convolutional networks,GCN),尝试通过GCN模型来提取CNN模型各层的低、高级特征间的关系,使得融合模型不仅具有特征提取能力,而且具有关系表示能力.通过对SCUTTLE模型泛化性能进行分析,进一步说明了该模型在解决半监督相关问题时的有效性.数值实验结果表明,三层CNN与一层GCN的融合模型在CIFAR10、CIFAR100、SVHN 3种数据集上与CNN监督学习模型的精度相比均可提升5%~6%的精度值,在最先进的ResNet、DenseNet、WRN(wide residual networks)与GCN的融合模型上同样证明了本文所提模型的有效性.
关系表示、特征提取、图卷积神经网络、融合模型、半监督学习、图像分类、视觉卷积、泛化性能
17
TP181(自动化基础理论)
国家自然科学基金;国家自然科学基金;辽宁省教育厅项目;辽宁工程技术大学学科创新团队项目;辽宁工程技术大学学科创新团队项目
2022-10-14(万方平台首次上网日期,不代表论文的发表时间)
共14页
886-899