基于深度学习的弱监督分类算法及应用-控制科学与工程；模式识别与智能系统专业论文.docxVIP

摘 摘 要 摘 要 大数据时代对于数据的智能分析处理能力提出了越来越高的要求，依靠传统 的人工大规模标注数据来训练分类器的有监督方法已经变得不再可行。以非监督 和半监督为代表的弱监督分类方法成为有效解决这一问题的关键技术之一。传统 的弱监督分类方法大多仅适用于小规模数据，且无法提取高度非线性的特征空 间。深度学习技术所具有的天然优越性为解决这个问题提供了新的思路。本文基 于深度学习技术，对弱监督分类方法进行了深入研究，并将其成功运用到图像分 割和步态识别等视觉计算实际问题中，所取得的主要创新成果如下： 1．提出了一种基于深度自编码的非监督聚类算法。该算法以深度自编码网 络为基础，能实现在特征空间自动聚类，并进一步通过类内类间约束得到更好的 聚类结果，经过多次迭代让聚类分布更加紧致，在四个数据库上的实验结果证明 了该算法的有效性。 2．提出了一种基于卷积神经网络的半监督聚类算法。该聚类模型包含三个 卷积层、三个用于分类的全连接层和一个用于图像重建的全连接层，另包含两个 约束，分别是图像分类约束和图像重建约束。选取聚类难度非常大的CIFAR．10 数据集作为验证模型的数据库，在两种约束方式下的实验结果证明了该算法的有 效性。 3．提出了一种基于逐图分割的CNN模型的人形图像分割方法。由于标注样 本极少，该方法采用了多种数据扩增方法，同时采用了防止过拟合的drop．out 技术。相比传