基于深度学习的增广类别学习方法研究与实现.pdfVIP

摘 要 摘 要 增广类别学习(Learning with Augmented Class，LAC)是应对开放动态环境问题的重 要方法，而大多数现实应用都面临着开放动态环境的问题，因此 LAC 方法的研究有着 重要的现实意义。以往的 LAC 算法都基于传统机器学习算法，其使用的特征通常是人 为设计的，往往不够抽象和完备，这将会导致算法在特征利用方面受到局限。由于深度 学习算法在取抽象完备的特征方面有着巨大的优势，其经常被用作传统机器学习算法 的特征取前端来升算法性能。所以，本文使用深度学习方法来帮助解决增广类别学 习问题。 本文出基于深度学习的标记置信度传播算法（Label Confidence Propagation based on Deep Learning ，DL-LCP ），通过利用深度学习方法来改进原有的标记置信度传播 （Label Confidence Propagation ，LCP ）算法从而升分类性能。相对于LCP 算法，DL- LCP 使用了更为抽象完备的特征来进行标记置信度初始化和标记传播，减少了 LCP 算 法在模型训练过程中的噪声累积，从而