声明
插图索引
附表索引
第1章绪论
1.1研究背景与意义
1.2小样本图像分类的国内外研究现状
(1)数据增强与领域自适应研究现状
(2)神经网络的正则化方法研究现状
(3)基于神经网络的集成学习方法研究现状
1.3本论文的主要研究内容
1.4本论文的结构安排
第2章大边界正则化的交叉熵损失函数
2.1引言
2.2大边界正则化的交叉熵损失函数
2.3实验结果及分析
2.3.1数据集及其预处理
2.3.2对比方法及其实现
2.3.3分类准确率
2.3.4特征可视化
2.3.5不同激活函数对方法的影响
2.4本章小结
第3章面向小样本图像分类的正交分类层
3.1引言
3.2正交分类层
3.2.1Dropout与 DropConnect
3.2.2正交分类层的数学解释
3.3实验结果及分析
3.3.1数据集及其预处理
3.3.2对比方法及其实现
3.3.3分类准确率
3.3.4在递减训练数据集下的分类准确率
3.3.5双样本T检测
3.3.6特征可视化
3.4本章小结
第4章面向小样本图像分类的交互式神经网络
4.1引言
4.2交互式神经网络-InterBoost
4.2.1数据集权重的初始化
4.2.2 InterBoost训练过程
4.2.3 InterBoost预测过程
4.2.4 InterBoost的讨论
4.3实验结果及分析
4.3.1数据集及其预处理
4.3.2 InterBoost的实现细节
4.3.3分类准确率
4.3.4在递减训练集下的分类准确率
4.3.5实验结果的讨论
4.4本章小结
第5章面向小样本图像分类的有选择的快照集成方法
5.1引言
5.2快照集成方法的初始化选择策略
5.3实验结果及分析
5.3.1数据集及其预处理
5.3.2对比方法及其实现
5.3.3分类准确率
5.3.4在递减训练集下的分类准确率
5.3.5阈值对所提出方法的影响
5.3.6实验结果讨论
5.4本章小结
总结与展望
参考文献
致谢
附录A:攻读硕士学位期间发表学术论文和参与项目