基于深度稀疏辨别的跨领域图像分类-武汉大学学报·信息科学版.PDF

第 卷 第 期 计 算 机 工 程 年 月 图形图像处理 文章编号 文献标志码 中图分类号 基于深度稀疏辨别的跨领域图像分类 杨涵方周向东 复旦大学 计算机科学技术学院上海 摘 要 在图像分类任务中由于图像背景光照拍摄角度等的变化从源领域上训练的分类模型常常不适用于相 关目标领域的图像数据 为此提出一种基于深度卷积神经网络的迁移学习方法 稀疏辨别迁移模型 该方法 通过自适应地学习目标领域辨别性特征分布优化分类函数同时与特征预处理方法相结合可获得较好的互补性 作用 实验结果表明与现有的基准与深度迁移方法相比该方法在 和 个标准跨领域分 类数据集上均取得了较好的分类性能 关键词 跨领域图像分类深度学习迁移学习主成分分析稀疏正则化 中文引用格式杨涵方周向东基于深度稀疏辨别的跨领域图像分类计算机工程 英文引用格式 像的特征分布具有较大差别 概述 对于跨领域分类问题一种传统的解决方法就 随着快速移动通信技术的发展图像视频等多 是重新收集测试图像领域的图像并进行标注在此 媒体信息数量与日俱增图像分类技术在目标检测 基础上训练一个新的分类模型 当测试集图像数量 图像检索和视频监视等实际应用领域都起着至关重 较大时人工标注的工作需要耗费巨大的人力财力 要的作用 然而在实际应用中源领域训练数据 和时间成本 当在测试集领域上收集到的图像数量 集和目标领域测试数据集 的数据由于图像来源 较少图像多样性不足直接在测试集领域上训练出 不同领域之间特征空间和特征分布往往具有一定 来的分类器易于过拟合缺乏鲁棒性 为解决以上 的差异使得源领域训练出来的图像分类模型不能 问题无监督跨领域分类研究如何利用源领域已标 很好地作用于目标领域 例如训练图像来 自商家 注数据学习目标领域知识对无标签测试集进行 拍摄的背景干净图像清晰角度直接的高分辨率图 分类 像而测试图像来自消费用户拍摄