基于深度学习的零样本学习算法研究

目录

声明

致谢

1 引言

1.1 研究背景和意义

1.1.1 研究背景

1.1.2 研究意义

1.2 零样本学习关键技术的研究现状

1.2.1 图像特征表示的研究现状

1.2.2 语义特征表示的研究现状

1.2.3 跨模态学习方法的研究现状

1.2.4 未知类的标签预测方法的研究现状

1.3 本文主要内容及组织结构

1.3.1 主要内容

1.3.2 组织结构

2 相关理论与技术

2.1 深度学习图像特征提取

2.1.1 VGG网络

2.1.2 GoogLeNet网络

2.1.3 ResNet网络

2.2 标签嵌入的语义特征提取

2.2.1 属性特征

2.2.2 词向量特征

2.3 度量方式

2.3.1 欧氏距离

2.3.2 余弦距离

2.4 ZSL固有问题

2.4.1 域漂移问题

2.4.2 枢纽问题

2.5 本章小结

3 基于语义对齐和重构的零样本学习

3.1 研究动机

3.2 ZSL问题定义

3.3 RMSASC 零样本学习算法

3.3.1 RMSASC 算法的架构和基本模型

3.3.2 语义对齐约束

3.3.3 语义重构约束

3.3.4 RMSASC 模型

3.3.5 测试类数据标签预测

3.4 实验和结果分析

3.4.1 实验数据集

3.4.2 评价指标

3.4.3 实验配置

3.4.4 实验细节

3.4.5 实验结果

3.4.6 实验分析

3.5 本章小结

4 基于双线性卷积网络和多语义改进关系网络的零样本学习

4.1 研究动机

4.2 BCNN-IRN 零样本学习算法

4.2.1 单/双线性特征提取

4.2.2 语义特征提取

4.2.3 多语义的改进关系网络

4.2.4 测试类数据标签预测

4.3 实验和结果分析

4.3.1 实验配置

4.3.2 实验细节

4.3.3 实验结果

4.3.4 实验分析

4.4 本章小结

5 总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集