导读:本文包含了单任务学习算法论文开题报告文献综述及选题提纲参考文献，主要关键词:语音情感识别,多任务学习,循环神经网络
单任务学习算法论文文献综述
冯天艺,杨震[1]（2019）在《采用多任务学习和循环神经网络的语音情感识别算法》一文中研究指出随着机器学习的快速发展,许多研究者使用神经网络来解决语音识别领域中的各类问题。然而由于训练数据有限等原因,常规的神经网络分类器普遍存在泛化误差等问题。为了解决此问题,迁移学习中的多任务学习被引入到研究中。本文提出了一种采用多任务学习和循环神经网络的语音情感识别算法(MTL-RNN),将说话人情感识别作为主任务,性别识别和身份识别作为辅助任务,叁个任务在神经网络中并行训练。算法模型通过RNN共享层共享网络参数、学习共享特征,通过属性依赖层学习独有特征,以提升模型的分类性能。实验结果表明,本文所提出的MTL-RNN算法在汉语和阿拉伯语、较少说话人和较多说话人的场景下均有较好的识别性能。(本文来源于《信号处理》期刊2019年07期）
关媛媛[2]（2019）在《基于协同图排序与多任务学习的图像显着性检测算法研究》一文中研究指出随着大数据时代的到来,网络社会每天产生大量数据。如何快速且有效地处理日益增长的图像数据己经成为迫切需要解决的问题。值得一提的是,图像显着性检测的主要任务是使得计算机通过模拟人类的视觉注意机制定位出图像的显着区域,滤除非显着区域,从而只对图像中人类感兴趣的区域进行后续处理。因此,图像显着性检测可以有效地降低图像数据的复杂度并提高处理效率。作为计算机视觉领域的一项基本研究课题,图像显着性检测吸引了大量的研究学者。自从图像显着性检测问题被提出以来,研究员们提出了许多性能优良的算法。特别地,由于近些年深度学习技术在计算机视觉领域的成功应用,图像显着性检测也开启了新的研究道路。越来越多的深度学习技术被应用于图像显着性检测,并取得了突破性的研究成果。同时,由于图像显着性检测算法简洁、有效,很容易实现与计算机视觉其他领域的研究相结合,因此,可以辅助其他领域的算法实现更好的效果。例如:利用图像显着性检测技术在目标检测与识别任务中实现目标的初步定位,从而提高算法的准确率,降低算法的复杂度。因此,图像显着性检测技术的研究不仅能够促进复杂图像检测结果的提升,还能为处理海量图像数据提供技术支持。然而,己有的图像显着性检测算法在复杂环境下具有局限性。当图像具有复杂背景,或者图像中前景与背景相似时,当前的图像显着性检测算法并未获得最佳的结果。针对上述问题,本文提出了两种有效的图像显着性检测算法:第一种是基于协同图排序模型的图像显着性检测算法。针对现有的基于流形排序的显着性检测模型中存在的不足,即当前景与背景对比度较小且背景较复杂时出现的错检问题,该模型从图像中显着目标与背景之间的高对比性出发,将背景显着值与前景显着值进行协同优化,利用背景信息突出前景信息,提出了一种基于协同图排序模型的图像显着性检测算法,从而获得更加准确的检测结果。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。第二种是基于多任务协同图排序模型的图像显着性检测算法。在图像显着性检测过程中,为了使特征更具有判别性,一般会采用多种特征融合的方式。传统的特征融合直接通过将多种特征进行串联处理,这种方式无法实现特征的充分利用,容易造成特征冗余。为了有效地实现各个特征之间的优势互补,本文提出了一种多任务协同图排序模型,并提出了一种新的迭代优化算法对该模型进行求解。经实验分析可得,传统特征倾向于描述图像的底层特征,有利于获取图像的细节信息;而深度特征则侧重于描述图像的语义信息,有利于目标的准确定位。因此,我们选择传统特征和深度特征作为优化对象。具体步骤如下:首先,在不同的特征层面上分别进行构图;然后,通过多任务协同图排序模型动态更新不同特征层面所构图的权重,实现有效地结合不同特征的优势;最后,使用模型迭代收敛时的有效值确定图像的显着区域。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。(本文来源于《安徽大学》期刊2019-05-01）
杨恢先,陈凡,甘伟发[3]（2019）在《基于多任务学习的深层人脸识别算法》一文中研究指出针对传统的归一化指数损失(Softmax损失)函数缺乏区别特征能力,对人脸特征无法进行判别性学习的问题,提出一种聚合判别多任务学习算法。首先,利用多任务级联卷积神经网络方法对目标图像进行人脸检测和对齐,剔除与人脸识别区域无关的图像;然后,利用深层卷积神经网络提取对齐后的人脸图像特征,同时使用聚合判别多任务学习算法将提取的人脸特征向量分解为学习类内特征的向量和判别类间身份的向量,加强对类内特征的约束,提高类间特征可分离性;最终分别采用最近邻分类器和十折交叉验证法进行人脸的识别和验证。实验结果表明:该算法在LFW人脸库中的验证准确率可达99.68%,改善了人脸识别性能,且在光照、姿势、表情和年龄变化测试中具有较好的稳健性,能有效应用于人脸识别的工程实践中。(本文来源于《激光与光电子学进展》期刊2019年18期）
叶锐[4]（2019）在《基于迁移学习和多任务学习的时间序列预测算法》一文中研究指出作为动态数据分析处理的一个重要方向,时间序列预测在很多研究领域中引起了广泛的注意。许多关于时间序列预测的算法也被提出。而在对未来某点预测时,已有的方法大多只保留与预测点临近的数据,而丢弃大量与预测点相隔久远的数据。然而,某些情况下,可能无法获得足够的与预测点相近的新数据,此时为了能更好地对目标点预测,我们可以从大量相距久远的旧数据中提取有效信息,并将其应用到当前的预测任务中。鉴于时间序列的时效性,旧数据和新数据之间通常有较大的差异,直接利用旧数据辅助预测是不可行的,因此,在时间序列预测问题中,如何在相隔时间久远的数据之间迁移信息是比较有挑战性的工作。针对上述问题,本文提出了TrEnOS-ELMK(a hybrid algorithm based on transfer learning,ensemble learning and online sequential extreme learning machine with kernels)算法,并将其应用于单步时间序列预测。相对已有的关于时间序列预测的方法,TrEnOS-ELMK能最大程度地利用充足的、与预测点相隔久远的旧数据,而非直接将旧数据丢弃。然而,由于时间序列的时效性,相隔久远的新旧数据之间有着很大的差别,直接利用旧数据辅助训练是不可行的,为了解决该问题,在本文中,我们基于迁移学习为时间序列预测搭建一个新的算法框架。鉴于极限学习机(Extreme Learning Machine,ELM)算法的高效性,TrEnOS-ELMK以核ELM为基模型。考虑到在某些情况下,时间序列数据可能是实时更新的,算法融合了在线学习的相关思想,来处理样本非一次性获得,而是依次到来的情况。同时,鉴于集成学习的有效性,算法生成多个基模型,并对各基模型的权重实时更新,以保证集成集的高效性。在3个人造数据集和6个真实数据集上的实验结果证明了该算法的有效性。TrEnOS-ELMK主要可处理单步时间序列预测,以此为基础,本文针对多步时间序列预测提出了相应的MultiTL-KELM(a hybrid algorithm based on multi-task learning,transfer learning and kernel extreme learning machine)算法。相对于单步预测,多步时间序列预测面临更多的不确定性,引起此现象的原因较多,包括误差累积,信息缺失等。已有的关于多步预测的方法大多着重解决前者而相对忽略后者,MultiTL-KELM则可将间隔久远的旧数据有效利用到当前的预测任务中,从而缓解信息缺失的影响。不同于迭代预测和直接预测算法,考虑到需预测的未来各点的联系,本方法结合多任务学习,将对各维的预测看成是不同但相关的任务。这样,从一个任务中获得的信息可以对接下来的任务预测产生帮助,且各个任务可以并行。我们在6个数据集上对算法进行验证,得到了较好的结果。(本文来源于《南京航空航天大学》期刊2019-03-01）
张文金[5]（2019）在《一种基于权重矩阵分解的在线多任务学习算法》一文中研究指出在线多任务学习(MTL)算法大多利用单个权重矩阵约束任务相关性,且该约束较为严格,在实践中难以满足。为此,提出一种改进的在线MTL算法,通过将权重矩阵分解为2个子矩阵来克服上述约束。对第1个子矩阵进行迹-范数正规化,获得低秩相关结构。利用正规化项对第2个子矩阵进行个性化任务的群组式Lasso惩罚,确定个性化模式。采用投影梯度算法对子矩阵进行自适应学习并获得最优解。实验结果表明,该算法相对于最优线性后验模型可实现次线性遗憾,其预测精度、运行速度优于TRML、MTFL等算法,且在垃圾邮件数据集上的累计误差率可降至4.97%。(本文来源于《计算机工程》期刊2019年08期）
周国华,过林吉,殷新春[6]（2019）在《多任务学习的不平衡SVM+算法》一文中研究指出处理不平衡数据分类时,传统支持向量机技术(SVM)对少数类样本识别率较低。鉴于SVM+技术能利用样本间隐藏信息的启发,提出了多任务学习的不平衡SVM+算法(MTL-IC-SVM+)。MTL-IC-SVM+基于SVM+将不平衡数据的分类表示为一个多任务的学习问题,并从纠正分类面的偏移出发,分别赋予多数类和少数类样本不同的错分惩罚因子,且设置少数类样本到分类面的距离大于多数类样本到分类面的距离。UCI数据集上的实验结果表明,MTL-IC-SVM+在不平衡数据分类问题上具有较高的分类精度。(本文来源于《计算机应用研究》期刊2019年11期）
钱莉[7]（2018）在《基于多任务学习的人体行为识别算法研究》一文中研究指出人体行为识别是计算机视觉和模式识别领域最重要的研究课题之一。它具有极高的商业价值和广泛的应用前景,如人机交互、智能视频监控、智能视频检索、智能驾驶等。绝大多数现有的人体行为识别方法主要将研究对象局限于可控环境下录制的视频。然而由于摄像机运动、背景遮挡、视角变化和光照变化等因素的影响,这些方法很难处理拍摄于真实环境下的视频,从而无法满足实际需求,因此,开展人体行为识别的研究具有极其重要的现实意义。目前,人体行为识别的分类方法多为单任务学习,即将行为类别视为独立的任务,为每一个行为类别训练单独的分类器,这种方法的缺陷在于忽略了行为类别之间的内在联系。在现实生活中,行为类别之间往往具有一定的相关性,于是本文将机器学习中的多任务学习方法应用于人体行为识别中。多任务学习可以通过同时学习多个任务之间的共享信息来有效地提高算法的性能。然而,由于某些行为类别之间的相关性相对较强,而某些行为类别之间的相关性相对较弱,因此将所有行为类别全部放在一起学习并不能使识别效果达到最好。本文在多任务学习的基础上加入了行为类别的分组信息,将强相关的行为类别分到同一组,弱相关的行为类别分到不同组,同时学习组内的共享信息和组间的差异信息,从而进一步提高人体行为识别的性能。主要研究内容如下:(1)改进的稠密轨迹特征提取。首先对视频进行预处理,消除摄像机运动产生的影响,然后对视频帧进行多尺度的稠密采样,并对特征点跟踪得到轨迹,再用HOG,HOF和MBH作为局部描述符来描述轨迹特征。最后针对不同的视频中提取到的轨迹数目不一致的问题,采用Fisher向量将不同数目的轨迹特征编码成固定长度的向量,并将其作为视频表征的特征向量。(2)行为类别预分组。由于Fisher向量是由高斯混合模型构建而成,考虑到不同行为类别拥有的高斯分布不一样,因此利用互信息来衡量高斯分布和行为类别的关系,并根据行为类别之间拥有相同的高斯分布越多越相似的原则,计算出行为类别的相似程度,最后使用近邻传播聚类算法将强相关的行为类别分到同一组,弱相关的行为类别分到不同组,得到分组信息。(3)基于分组信息的多任务学习。将每一个行为类别视为一个任务,先在强相关行为类别的组内进行多任务学习,共享组内信息,再对所有行为类别进行多任务学习,学习组间行为类别的差异信息。该方法既考虑到行为类别之间的关联,又考虑到行为类别之间的差异,为提升人体行为识别的性能提供了保障。为了验证本文算法的有效性,我们分别在HMDB51和UCF50数据集上进行验证,实验结果表明,本文提出的算法对人体行为识别具有较好的性能。(本文来源于《西南大学》期刊2018-04-08）
郑昱[8]（2017）在《面向大规模图像分类的层次化多任务学习算法研究》一文中研究指出图像分类是模式识别领域的基本问题,在现实世界的生产生活中具有广泛的应用。随着便携式数字成像设备与社交媒体的普及,互联网上的图像数据呈爆炸式增长,在这样的环境下,研究针对大规模图像的分类方法成为了迫切需求。由于数据规模较大,在大规模图像分类中,计算效率,尤其是测试效率成为了影响算法性能的关键因素。此外,图像类别并不是完全孤立的,部分类别之间存在一定的结构关系,如何利用这些结构关系有效地提升大规模图像分类的性能是需要关注的问题。层次学习是将图像类别组织起来进行结构化分类的一种方法,它可以利用大规模图像类别之间的关系构建层次结构,从而大幅度提升图像分类的效率,并且避免数据不平衡问题。多任务学习可以利用任务之间的结构关系对多个相关联的任务进行联合学习,使其性能超过每个任务单独学习。多任务学习的主要问题在于如何分辨相关任务,而层次结构为分辨相关任务提供了良好的环境。基于上述分析,本文从大规模图像数据的特性出发,提出若干层次化多任务学习算法,在提高大规模图像分类准确率的同时提升计算效率。本文的主要创新点如下:1.在处理大规模图像分类任务时,许多现有的浅层分类算法往往将每个图像类别独立处理,从而忽略了图像类别之间的相关性,而且,在面对大规模数据时,浅层算法的计算开销巨大。针对上述问题,本文提出了一种基于增强视觉树的多任务稀疏度量层次学习算法。具体而言,该算法首先构造了一种图像类别表示方法,在此基础上,利用层次聚类算法构建增强视觉树。之后,根据该层次化结构,自上而下地学习层次分类器。其中,利用多任务稀疏度量学习算法训练结点分类器。此外,对于非根结点,利用上层分类器的先验知识帮助结点分类器训练,以提高结点分类器的分辨能力。实验结果表明,该算法在分类准确率上优于其他主流算法,同时,还保持着较高的测试效率。2.在多任务学习中,如何分辨相关任务一直是重要的问题。当相关任务可以被确定时,往往也可以确定非相关任务。一般的多任务学习往往只利用相关任务进行联合学习,而忽略了非相关任务的作用。针对上述缺陷,本文提出了一种同时利用相关与非相关任务的层次度量学习算法。具体而言,该算法利用增强视觉树为分辨相关任务和非相关任务提供了一个良好的环境,根据增强视觉树,自上而下地学习层次分类器。其中,对于非根结点,提出一种同时利用相关与非相关任务的度量学习算法训练结点分类器,帮助结点分类器学习出更具分辨力的距离度量。实验结果表明,利用非相关任务的先验信息,可以有效提升大规模图像分类的准确率。3.一般的层次学习算法主要关注于测试效率的提升问题,然而,当面对大规模图像数据时,训练效率往往会成为算法的瓶颈。针对这一缺陷,本文提出了一种基于多任务支撑向量机的层次学习快速算法。具体而言,该算法利用增强视觉树构建多层次结构并分辨相关任务,利用多任务支撑向量机作为结点分类器,并将层次结构中高层的独立结构向下传播,帮助结点分类器训练。同时,提出了一种多任务支撑向量机的快速算法,提高结点分类器的训练效率,从而提升整个层次学习算法的训练效率。实验结果表明,该算法在保证准确率的前提下,训练效率优于其他主流算法。4.由于室内场景的复杂性和多样性,利用一般彩色图像完成室内场景识别一直是计算机视觉领域的难点问题。随着深度摄像机的普及,利用RGB-D图像完成室内场景识别成为可能。针对该应用场景,本文提出了一种利用层次化多任务度量多核学习算法完成室内场景识别任务的方法。具体而言,首先利用深度神经网络提取彩色图像和深度图像的特征,然后,将使用彩色图像特征进行室内场景识别和使用深度图像特征进行室内场景识别作为两个相关的任务,利用多任务度量学习将两种特征映射到修正空间中,从而提升特征的分辨力。之后,拼接修正空间中的两种特征作为RGB-D图像特征。最后,利用一种层次化多核学习算法作为分类器,完成基于RGB-D图像的场景识别。实验结果表明,该算法可有效提升室内场景识别的准确率。(本文来源于《西安电子科技大学》期刊2017-09-01）
章国泰[9]（2017）在《基于稠密轨迹和正则化多任务学习的人体动作识别算法研究》一文中研究指出基于RGB通道的单视角动作识别容易受到诸多因素的干扰。例如:光照变化、视角变化和个体动作差异等因素。这些因素限制了其进一步的发展和应用。为了减少这些干扰因素的影响,多视角多模态以及动作间的潜在关联信息研究开始成为动作识别领域的新热点。基于这些发展趋势,本文的研究工作包括以下叁个部分:1)在单视角条件下,提出了基于深度运动轨迹信息的人体动作描述算法;2)在不同视角条件下,评价与分析不同正则化多任务学习算法对动作识别的性能影响;3)在多视角条件下,提出了基于正则化多任务学习和图集的多视角人体动作识别算法。具体工作为:1)提出基于深度运动轨迹信息的人体动作描述算法。在深度视频图像上,该算法首先利用光流信息的变化去提取稠密轨迹特征,加入该特征的深度变化信息并将稠密轨迹的立方体分割成若干个子立方体;然后,计算相应的描述算子-HOG(Histograms of Oriented Gradients)和HOF(Histograms of Optical Flow),为了消除相机移动所带来的干扰,计算MBH(Motion Boundary Histogram)描述算子,将轨迹特征、HOG、HOF和MBH进行串联,利用K-means和BoW(Bag-of-Word)模型进行投影;最后,利用不同的支持向量机SVM(Support Vector Machine)进行分类。通过在两个公开深度动作数据集DHA-17和UTkinect的实验结果可知:该描述算法在深度数据上具有较好的实验性能。2)评价与分析正则化多任务学习算法对人体动作识别的性能影响。由于正则化多任务学习算法能够很好地挖掘不同任务之间的关联信息,所以本章将同一视角的不同动作视为不同的任务,利用多种正则化多任务学习函数来挖掘不同动作之间的关联信息并将它们的实验结果与单任务学习算法SVM的实验结果进行比较;此外,在跨视角识别上对该算法实施进一步的评估。通过在叁个公共多视角数据集CVS-MV-RGBD-SINGLE、IXMAX、UCLA数据集上的实验结果可知:正则化多任务学习算法在单视角识别上具有一定的优越性和鲁棒性,能够在一定程度上挖掘不同动作之间的关联;此外,由于视角的差异较大,正则化多任务学习算法的性能受到制约,在跨视角识别上优势不明显。3)提出基于图集和正则化多任务学习的多视角人体动作识别算法。首先,为了验证多视角样本对多任务学习的影响,算法将不同视角下的训练样本进行迭加,挖掘不同视角下样本的关联信息;随后考虑到不同视角样本的相关性,将图集算法引入到多任务学习模型Least_RMTL中,进一步挖掘不同视角不同动作的关联信息,从而达到提高动作识别率的目的。通过在叁个公共多视角数据集IXMAX、UCLA、CVS-MV-RGBD-SINGLE实验表明:多视角样本数量的增加对多任务学习算法性能具有一定的促进作用;同时,图集算法的引入使多视角样本之间的潜在关联特性得到了充分地挖掘,进一步的提高了多视角动作识别的性能。(本文来源于《天津理工大学》期刊2017-02-01）
毛文涛,王海成,刘尚旺[10]（2014）在《可自适应分组的超球多任务学习算法》一文中研究指出针对现有回归多任务学习中各任务独立评估风险、缺乏统一约束条件的缺点,提出了一种具有自适应分组能力的超球多任务学习算法。该算法以极限学习机(ELM)为基础形式,首先引入超球损失函数对所有任务的风险进行统一评估,并采用迭代再权最小二乘法求解;其次,考虑到任务之间关联度存在差异,基于相关性强的任务其权重向量也较相似的假设,构建带分组结构的正则项,使得同组内的任务独立进行训练,最终将优化目标转为混合0-1规划问题,并采用多目标优化方法自动确定模型参数和最优分组结构。基于仿真数据和圆柱壳振动信号数据的测试结果表明,该算法可有效识别出任务中的分组结构,同时与现有算法相比,可明显提高回归模型的泛化能力。(本文来源于《计算机应用》期刊2014年07期）
单任务学习算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着大数据时代的到来,网络社会每天产生大量数据。如何快速且有效地处理日益增长的图像数据己经成为迫切需要解决的问题。值得一提的是,图像显着性检测的主要任务是使得计算机通过模拟人类的视觉注意机制定位出图像的显着区域,滤除非显着区域,从而只对图像中人类感兴趣的区域进行后续处理。因此,图像显着性检测可以有效地降低图像数据的复杂度并提高处理效率。作为计算机视觉领域的一项基本研究课题,图像显着性检测吸引了大量的研究学者。自从图像显着性检测问题被提出以来,研究员们提出了许多性能优良的算法。特别地,由于近些年深度学习技术在计算机视觉领域的成功应用,图像显着性检测也开启了新的研究道路。越来越多的深度学习技术被应用于图像显着性检测,并取得了突破性的研究成果。同时,由于图像显着性检测算法简洁、有效,很容易实现与计算机视觉其他领域的研究相结合,因此,可以辅助其他领域的算法实现更好的效果。例如:利用图像显着性检测技术在目标检测与识别任务中实现目标的初步定位,从而提高算法的准确率,降低算法的复杂度。因此,图像显着性检测技术的研究不仅能够促进复杂图像检测结果的提升,还能为处理海量图像数据提供技术支持。然而,己有的图像显着性检测算法在复杂环境下具有局限性。当图像具有复杂背景,或者图像中前景与背景相似时,当前的图像显着性检测算法并未获得最佳的结果。针对上述问题,本文提出了两种有效的图像显着性检测算法:第一种是基于协同图排序模型的图像显着性检测算法。针对现有的基于流形排序的显着性检测模型中存在的不足,即当前景与背景对比度较小且背景较复杂时出现的错检问题,该模型从图像中显着目标与背景之间的高对比性出发,将背景显着值与前景显着值进行协同优化,利用背景信息突出前景信息,提出了一种基于协同图排序模型的图像显着性检测算法,从而获得更加准确的检测结果。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。第二种是基于多任务协同图排序模型的图像显着性检测算法。在图像显着性检测过程中,为了使特征更具有判别性,一般会采用多种特征融合的方式。传统的特征融合直接通过将多种特征进行串联处理,这种方式无法实现特征的充分利用,容易造成特征冗余。为了有效地实现各个特征之间的优势互补,本文提出了一种多任务协同图排序模型,并提出了一种新的迭代优化算法对该模型进行求解。经实验分析可得,传统特征倾向于描述图像的底层特征,有利于获取图像的细节信息;而深度特征则侧重于描述图像的语义信息,有利于目标的准确定位。因此,我们选择传统特征和深度特征作为优化对象。具体步骤如下:首先,在不同的特征层面上分别进行构图;然后,通过多任务协同图排序模型动态更新不同特征层面所构图的权重,实现有效地结合不同特征的优势;最后,使用模型迭代收敛时的有效值确定图像的显着区域。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
单任务学习算法论文参考文献
[1].冯天艺,杨震.采用多任务学习和循环神经网络的语音情感识别算法[J].信号处理.2019
[2].关媛媛.基于协同图排序与多任务学习的图像显着性检测算法研究[D].安徽大学.2019
[3].杨恢先,陈凡,甘伟发.基于多任务学习的深层人脸识别算法[J].激光与光电子学进展.2019
[4].叶锐.基于迁移学习和多任务学习的时间序列预测算法[D].南京航空航天大学.2019
[5].张文金.一种基于权重矩阵分解的在线多任务学习算法[J].计算机工程.2019
[6].周国华,过林吉,殷新春.多任务学习的不平衡SVM+算法[J].计算机应用研究.2019
[7].钱莉.基于多任务学习的人体行为识别算法研究[D].西南大学.2018
[8].郑昱.面向大规模图像分类的层次化多任务学习算法研究[D].西安电子科技大学.2017
[9].章国泰.基于稠密轨迹和正则化多任务学习的人体动作识别算法研究[D].天津理工大学.2017
[10].毛文涛,王海成,刘尚旺.可自适应分组的超球多任务学习算法[J].计算机应用.2014