面向多源图像数据的多任务学习方法的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-13页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究目的与意义 | 第10-11页 |
| 1.3 本文的研究工作 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 2 国内外研究现状及相关工作 | 第13-18页 |
| 2.1 多源跨领域学习算法的研究 | 第13-15页 |
| 2.1.1 多核学习算法 | 第13-14页 |
| 2.1.2 迁移学习算法 | 第14-15页 |
| 2.2 多任务学习算法的研究 | 第15-17页 |
| 2.2.1 正则化多任务学习 | 第16页 |
| 2.2.2 多任务深度学习 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 3 多任务深度学习算法在图像分类中的应用 | 第18-36页 |
| 3.1 神经网络模型 | 第18-19页 |
| 3.2 卷积神经网络 | 第19-26页 |
| 3.2.1 卷积神经网络结构 | 第19-24页 |
| 3.2.2 前向与反向传播算法 | 第24-26页 |
| 3.3 单源域模型设计 | 第26-31页 |
| 3.3.1 模型设计 | 第26-29页 |
| 3.3.2 算法过程 | 第29-30页 |
| 3.3.3 算法收敛性 | 第30-31页 |
| 3.4 实验及分析 | 第31-35页 |
| 3.4.1 数据准备 | 第31-32页 |
| 3.4.2 实验环境 | 第32页 |
| 3.4.3 实验对比方法 | 第32-33页 |
| 3.4.4 实验衡量指标 | 第33页 |
| 3.4.5 实验结果分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 跨源域的多任务深度学习算法研究与改进 | 第36-51页 |
| 4.1 传统的学习方法 | 第36-37页 |
| 4.1.1 支持向量机 | 第36-37页 |
| 4.1.2 逻辑回归 | 第37页 |
| 4.2 多任务学习方法 | 第37-41页 |
| 4.2.1 任务间的相关性 | 第38页 |
| 4.2.2 一致性正则化方法 | 第38-41页 |
| 4.3 跨源域模型设计 | 第41-45页 |
| 4.3.1 模型设计 | 第41-43页 |
| 4.3.2 算法过程 | 第43-44页 |
| 4.3.3 算法收敛率 | 第44-45页 |
| 4.4 实验及结果分析 | 第45-49页 |
| 4.4.1 数据准备 | 第45-46页 |
| 4.4.2 实验环境 | 第46页 |
| 4.4.3 实验对比方法 | 第46-47页 |
| 4.4.4 实验衡量指标 | 第47页 |
| 4.4.5 实验结果分析 | 第47-49页 |
| 4.5 本章小结 | 第49-51页 |
| 5 总结与展望 | 第51-53页 |
| 5.1 工作总结 | 第51-52页 |
| 5.2 工作展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 学位论文数据集 | 第57页 |
