基于深度对抗学习和域迁移的空中手写识别研究

目录

声明

第一章 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 空中手写识别难点

1.4 研究任务

1.5 本文结构安排

第二章相关算法与模型介绍

2.1 空中手写识别

2.1.1 概述

2.1.2 传统模型简介

2.1.3 深度学习模型简介

2.2 序列到序列模型

2.2.1 编码器与解码器

2.2.2 注意力机制

2.3 无监督对抗域迁移

2.3.1 循环对抗生成网络

2.3.2 深度迁移网络

2.4 基于对抗学习的样本增强

2.4.1 概述

2.4.2 经典对抗生成网络

2.4.3 深度卷积对抗生成网络

2.4.4 条件对抗生成网络

2.4.5 Wasserstein 对抗生成网络与谱标准化

2.5 本章小结

第三章基于长短时记忆和全卷积的空中手写识别

3.1 研究动机概述

3.2 数据采集与预处理

3.2.1 空中手写数据与采集模式

3.2.2 不同受限条件下的空中手写数据集

3.2.3 数据预处理

3.3 基于传统方法的空中手写识别

3.3.1 基于 DTW-AP的识别实验

3.3.2 基于 GMM-CHMM的识别实验

3.4 基于长短时记忆的空中手写识别

3.4.1 长短时记忆网络结构

3.4.2 实验结果

3.5 基于全卷积网络的空中手写识别

3.5.1 卷积网络的待解决问题

3.5.2 全卷积网络结构

3.5.3 实验结果

3.6 不同模型性能对比与分析

3.7 本章小结

第四章 基于自编码隐空间对抗学习的域迁移

4.1 研究动机概述

4.2 基于全注意力 Seq2Seq的有监督域迁移

4.2.1 模型结构

4.2.2 实验结果与分析

4.2.3 有监督域迁移可视化

4.3 基于对称自编码隐空间对抗学习的无监督域迁移4.3.1 模型结构

4.3.2 工作原理

4.3.3 实验结果与分析

4.3.4 无监督域迁移可视化

4.4 本章小结

第五章基于特征图位置编码和对抗学习的样本增强

5.1 研究动机概述

5.2 基于传统图像对抗生成网络的生成

5.2.1 传统图像生成器的模式崩溃问题

5.2.2 梯度的错误回传

5.3 基于特征图位置编码和深度对抗学习的生成

5.3.1 模型结构

5.3.2 数据端：时序特征图位置编码

5.3.3 生成器：位置相关的噪声映射层

5.3.4 生成器：幅度惩罚

5.4 实验与生成质量评估

5.4.1 直接观测

5.4.2 直接量化指标

5.4.3 间接量化指标

5.5 本章小结

结论

参考文献

攻读硕士学位期间取得的研究成果

致谢