摘要：近年來，深度學習模型在圖像、語音、文本識別等領域內取得了顯著成就。然而，深度學習模型嚴重依賴于大量標簽數據，使得其在數據缺乏的特殊領域內應用嚴重受限。面對數據缺乏等現實挑戰，很多學者針對數據依賴小的弱監督機器學習方法開展研究，出現了很多典型研究方向，如小樣本學習、零樣本學習等。針對弱監督機器學習方法，系統闡述了小樣本學習、零樣本學習、零—小樣本學習的問題定義、當前主要方法以及主流實驗設計，最后基于當前研究中出現的問題，對下一階段研究方向進行了總結展望。
付費5元查看完整內容
相關內容
摘要：圖像分類的應用場景非常廣泛,很多場景下難以收集到足夠多的數據來訓練模型,利用小樣本學習進行圖像分類可解決訓練數據量小的問題.本文對近年來的小樣本圖像分類算法進行了詳細綜述,根據不同的建模方式,將現有算法分為卷積神經網絡模型和圖神經網絡模型兩大類,其中基于卷積神經網絡模型的算法包括四種學習范式:遷移學習、元學習、對偶學習和貝葉斯學習;基于圖神經網絡模型的算法原本適用于非歐幾里得結構數據,但有部分學者將其應用于解決小樣本下歐幾里得數據的圖像分類任務,有關的研究成果目前相對較少.此外,本文匯總了現有文獻中出現的數據集并通過實驗結果對現有算法的性能進行了比較.最后,討論了小樣本圖像分類技術的難點及未來研究趨勢.
付費5元查看完整內容
最近深度神經網絡已經在監督識別任務上取得了令人振奮的突破，但是深度神經網絡要求每個類都有足夠 多的且完全標注的訓練數據。如何從少數訓練樣本中學習并識別新的類別，對于深度神經網絡來說是一個具有挑戰性的問題。針對如何解決少樣本學習的問題，全面總結了現有的基于深度神經網絡的少樣本學習方法，涵蓋了方法 所用模型、數據集及評估結果等各個方面。具體地，針對基于深度神經網絡的少樣本學習方法，提出將其分為四種 類別，即數據增強方法、遷移學習方法、度量學習方法和元學習的方法；對于每個類別，進一步將其分為幾個子類 別，并且在每個類別與方法之間進行一系列比較，以顯示各種方法的優劣和各自的特點。最后，強調了現有方法的局限性，并指出了少樣本學習研究領域的未來研究方向。
付費5元查看完整內容
零樣本圖像識別
·
深度學習在人工智能領域已經取得了非常優秀的成就，在有監督識別任務中，使用深度學習算法訓練海量的帶標簽數據，可以達到前所未有的識別精確度。但是，由于對海量數據的標注工作成本昂貴，對罕見類別獲取海量數據難度較大，所以如何識別在訓練過程中少見或從未見過的未知類仍然是一個嚴峻的問題。針對這個問題，該文回顧近年來的零樣本圖像識別技術研究，從研究背景、模型分析、數據集介紹、實驗分析等方面全面闡釋零樣本圖像識別技術。此外，該文還分析了當前研究存在的技術難題，并針對主流問題提出一些解決方案以及對未來研究的展望，為零樣本學習的初學者或研究者提供一些參考。
付費5元查看完整內容
簡介： 近幾年來, 深度學習在機器學習研究領域中取得了巨大的突破, 深度學習能夠很好地實現復雜問題的學習, 然而, 深度學習最大的弊端之一, 就是需要大量人工標注的訓練數據, 而這需要耗費大量的人力成本. 因此, 為了緩解深度學習存在的這一問題, Palatucci 等于 2009 年提出了零樣本學習 (Zero-shot learning). 零樣本學習是遷移學習的一種特殊場景, 在零樣本學習過程中, 訓練類集和測試類集之間沒有交集, 需要通過訓練類與測試類之間的知識遷移來完成學習, 使在訓練類上訓練得到的模型能夠成功識別測試類輸入樣例的類標簽. 零樣本學習的意義不僅在于可以對難以標注的樣例進行識別, 更在于這一方法模擬了人類對于從未見過的對象的認知過程, 零樣本學習方法的研究, 也會在一定程度上促進認知科學的研究. 鑒于零樣本學習的應用價值、理論意義和未來的發展潛力, 文中系統綜述了零樣本學習的研究進展, 首先概述了零樣本學習的定義, 介紹了 4 種典型的零樣本學習模型, 并對零樣本學習存在的關鍵問題及解決方法進行了介紹, 對零樣本學習的多種模型進行了分類和闡述, 并在最后指明了零樣本學習進一步研究中需要解決的問題以及未來可能的發展方向。
作者簡介：
劉建偉，男。中國石油大學博士生導師/碩士生導師。曾任加拿大溫哥華英屬哥倫比亞大學訪問學者，加拿大滑鐵盧大學高級訪問學者。講授模式識別專題（博士生），可編程序控制器原理及其應用，模式識別與機器學習導論等課程。
長期從事模式識別與智能系統、復雜系統分析與智能控制、機器學習和數據挖掘方面的研究工作。美國數學會《數學評論》評論員，中國人工智能學會機器學習分會高級會員。在計算機學報，自動化學報、計算機研究與發展、電子學報、TNNLS、Neurocomputing等期刊上和國內國際會議上發表學術研究論文180多篇，其中三大檢索100多篇。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191