基于梯度提升决策树与混合型迁移学习的材质属性标注模型

摘要

提出了基于梯度提升决策树(gradient boosting decision tree,GBDT)与混合型迁移学习策略的材质属性标注模型,创建全新的材质属性数据集MattrSet,提取图像LBP、Gist、SIFT特征;引入GBDT算法,基于对数似然损失函数优化标注模型,实现图像的材质属性标注;设计混合型迁移学习策略,弥补样本缺失或不平衡问题,并进一步改善标注性能。实验结果表明:迁移学习前,梯度提升决策树算法的标注性能较最强基线提升2.78%;执行基本迁移学习策略后,标注性能比迁移学习前提升11.02%;合理地组合模型并执行混合型迁移学习策略,标注性能比基础迁移学习提升22.5%,较最强基线提升16.80%。