- 1、本文档共5页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第 12 卷第 6 期 智 能 系 统 学 报 Vol.12 No.6
2017 年 12 月 CAAI Transactions on Intelligent Systems Dec. 2017
DOI: 10.11992/tis.201706037
网络出版地址: /kcms/detail/23.1538.TP1250.012.html
基于自编码器的特征迁移算法
1 1 1 2
杨梦铎,栾咏红,刘文军,李凡长
(1. 苏州工业职业技术学院 软件与服务外包学院,江苏 苏州 215104; 2. 苏州大学 计算机科学与技术学院,江苏 苏州
215006 )
摘 要:近年来,栈式自编码网络(stacked auto-encoder,SAE )在大规模数据集上表现出优异的图像分类性能。相对
于其他图像分类方法中手工设计的低级特征,SAE 的成功归因于深度网络能够学习到丰富的中级图像特征。然而,
估计上百万个网络参数需要非常庞大的带标签的图像样本数据集。这样的性质阻止了SAE 在小规模训练数据上的
许多应用。在这篇文章中,提出的算法展示如何将SAE 在大规模数据集上学习到的图像表示有效地迁移到只有有
限训练数据的视觉识别任务中。实验部分设计了一个方法来复用在MNIST 数据集上训练得到的隐藏层,以此计算
在MNIST-variations 数据集上的中级图像表示。实验结果展示了尽管两个数据集之间存在差异,但是被迁移的图像
特征能够使得模型的分类性能得到极大的提升。
关键词:自编码器;特征迁移;深度网络;深度学习;图像分类;中级图像特征;视觉识别;大规模数据集
中图分类号:TP181 文献标志码:A 文章编号:1673−4785(2017)06−0894−05
中文引用格式:杨梦铎, 栾咏红, 刘文军, 等. 基于自编码器的特征迁移算法[J]. 智能系统学报, 2017, 12(6): 894–898.
英文引用格式:YANG Mengduo, LUAN Yonghong, LIU Wenjun, et al. Feature transfer algorithm based on an auto-encoder[J].
CAAI transactions on intelligent systems, 2017, 12(6): 894–898.
Feature transfer algorithm based on an auto-encoder
1 1 1 2
YANG Mengduo ,LUAN Yonghong ,LIU Wenjun ,LI Fanzhang
(1. Department of Software and Service Outsourcing, Suzhou Vocational Institute of Industrial Technology, Suzhou 215104, China;
2. School of Computer Science and Technology, Soochow University, Suzhou 215006, China)
Abstract : The stacked auto-encoder (SAE) has recently shown outstanding image classification performance in large-
scale datasets. Relative to the low-level features of artificial desig
文档评论(0)