导读:本文包含了领域自适应论文开题报告文献综述及选题提纲参考文献，主要关键词:遥感影像,领域自适应,目标检测,迁移学习
领域自适应论文文献综述
江政杰,李雨倩,陈金勇,林云,李宇曜[1]（2019）在《领域自适应在遥感图像目标检测问题中的应用》一文中研究指出遥感图像的目标检测是遥感数据处理中的一类基础性分析问题,目前的研究通常假设训练数据与测试数据属于同分布,但是在现实问题中却常出现训练模型与目标任务不匹配的情况。为了提高目标检测模型的鲁棒性,本文结合迁移学习中的领域自适应方法提出了无监督的域适应Faster R-CNN目标检测算法。改进算法在Faster R-CNN算法的基础上设计了域适应结构,选择作为领域间的差异性度量准则,并基于对抗训练的方式来缩小域间差异。基于亮度差异的域适应实验证明了域适应Faster R-CNN目标检测算法是有效的,相比于原Faster R-CNN算法,检测精度提高了31.84%。(本文来源于《第六届高分辨率对地观测学术年会论文集（上）》期刊2019-09-20）
姚明海,方存亮[2]（2019）在《多层校正的无监督领域自适应方法》一文中研究指出目的目前深度神经网络已成功应用于众多机器学习任务,并展现出惊人的性能提升效果。然而传统的深度网络和机器学习算法都假定训练数据和测试数据服从的是同一分布,而这种假设在实际应用中往往是不成立的。如果训练数据和测试数据的分布差异很大,那么由传统机器学习算法训练出来的分类器的性能将会大大降低。为了解决此类问题,提出了一种基于多层校正的无监督领域自适应方法。方法首先利用多层校正来调整现有的深度网络,利用加法迭加来完美对齐源域和目标域的数据表示;然后采用多层权值最大均值差异来适应目标域,增加网络的表示能力;最后提取学习获得的域不变特征来进行分类,得到目标图像的识别效果。结果本文算法在Office-31图像数据集等4个数字数据集上分别进行了测试实验,以对比不同算法在图像识别和分类方面的性能差异,并进行准确度测量。测试结果显示,与同领域算法相比,本文算法在准确率上至少提高了5%,在应对照明变化、复杂背景和图像质量不佳等干扰情况时,亦能获得较好的分类效果,体现出更强的鲁棒性。结论在领域自适应相关数据集上的实验结果表明,本文方法具备一定的泛化能力,可以实现较高的分类性能,并且优于其他现有的无监督领域自适应方法。(本文来源于《中国图象图形学报》期刊2019年09期）
成于思,施云涛[3]（2019）在《基于深度学习和迁移学习的领域自适应中文分词》一文中研究指出为了提高专业领域中文分词性能,以及弥补专业领域大规模标注语料难以获取的不足,该文提出基于深度学习以及迁移学习的领域自适应分词方法。首先,构建包含词典特征的基于深度学习的双向长短期记忆条件随机场(BI-LSTM-CRF)分词模型,在通用领域分词语料上训练得到模型参数;接着,以建设工程法律领域文本作为小规模分词训练语料,对通用领域语料的BI-LSTM-CRF分词模型进行参数微调,同时在模型的词典特征中加入领域词典。实验结果表明,迁移学习减少领域分词模型的迭代次数,同时,与通用领域的BI-LSTM-CRF模型相比,该文提出的分词方法在工程法律领域的分词结果F1值提高了7.02%,与预测时加入领域词典的BI-LSTM-CRF模型相比,分词结果的F1值提高了4.22%。该文提出的分词模型可以减少分词的领域训练语料的标注,同时实现分词模型跨领域的迁移。(本文来源于《中文信息学报》期刊2019年09期）
范明献,索菲[4]（2019）在《国外教育出版领域自适应学习平台建设经验及启示——以培生Revel为例》一文中研究指出自适应学习是人工智能技术与教育出版相融合的新型在线学习形态,为教育出版转型升级带来了新的发展机遇。利维尔(Revel)是国际知名教育出版集团培生集团推出的一款较为成熟的自适应学习平台。它在平台功能架构、数字内容资源开发、技术框架和自适应模型建构方面,具有代表性。国内教育出版机构可借鉴培生Revel经验,布局自适应学习市场:发挥出版内容优势,生产适合自适应学习的数字内容资源;深入研发核心技术,建构自适应引擎模型;运用新技术,营造良好的在线自适应学习场景。(本文来源于《中国出版》期刊2019年16期）
周杰锋[5]（2019）在《自适应在数控加工领域的应用和探究》一文中研究指出iSESOL工业互联网平台是基于制造过程数据,提供产能交易、厂商增值、要素赋能等服务版块,构建工业互联网新智造生态体系。iSESOL BOX是i SESOL工业互联网的工业平台级智能终端,致力于协助中小型制造企业的端网升级、装备智能化等一系列登云入网应用,为企业提高生产效率和利润。同时依托i SESOL工业互联网平台为机加工领域构建一个开放的工业级APP应用平台。通过云计算等技术手段释放大数据潜力,形成制造新生态。(本文来源于《科技经济导刊》期刊2019年22期）
汪荣贵,姚旭晨,杨娟,薛丽霞[6]（2019）在《注意力迁移的联合平衡领域自适应》一文中研究指出目的现有的图像识别方法应用于从同一分布中提取的训练数据和测试数据时具有良好性能,但这些方法在实际场景中并不适用,从而导致识别精度降低。使用领域自适应方法是解决此类问题的有效途径,领域自适应方法旨在解决来自两个领域相关但分布不同的数据问题。方法通过对数据分布的分析,提出一种基于注意力迁移的联合平衡自适应方法,将源域有标签数据中提取的图像特征迁移至无标签的目标域。首先,使用注意力迁移机制将有标签源域数据的空间类别信息迁移至无标签的目标域。通过定义卷积神经网络的注意力,使用关注信息来提高图像识别精度。其次,基于目标数据集引入网络参数的先验分布,并且赋予网络自动调整每个领域对齐层特征对齐的能力。最后,通过跨域偏差来描述特定领域的特征对齐层的输入分布,定量地表示每层学习到的领域适应性程度。结果该方法在数据集Office-31上平均识别准确率为77. 6%,在数据集Office-Caltech上平均识别准确率为90. 7%,不仅大幅领先于传统手工特征方法,而且取得了与目前最优的方法相当的识别性能。结论注意力迁移的联合平衡领域自适应方法不仅可以获得较高的识别精度,而且能够自动学习领域间特征的对齐程度,同时也验证了进行域间特征迁移可以提高网络优化效果这一结论。(本文来源于《中国图象图形学报》期刊2019年07期）
李嘉豪,蔡瑞初[7]（2019）在《基于类内均方偏差的无监督领域自适应》一文中研究指出大量无标签数据的积累使得无监督自适应算法成为一个研究热点。传统算法在对齐领域总体分布时往往流失类别信息,因此所提算法基于均方偏差准则来对齐源领域和目标领域的类内分布。所提算法能够通过深度学习模型高效完成无监督自适应任务。实验结果表明所提算法能够有效对齐类内分布,验证所提算法的有效性。(本文来源于《现代计算机》期刊2019年17期）
韩旭[8]（2019）在《基于领域自适应的开放集图像分类与语义分割》一文中研究指出深度神经网络在计算机视觉的多个领域如图像识别,目标检测和语义分割中都大放异彩,但其往往对数据集的质量有较高的要求。而一方面,高质量数据的标注需要花费高昂的成本,另一方面,某些领域的数据不仅稀少而且其标注工作需要具有专业知识的人员才能完成。因此,如何利用一个或多个高质量数据集训练神经网络模型而使其在数据较少的、与训练集分布不同的目标数据集上也能表现良好就成为了热点问题。研究者将之称为领域适应问题,将数据丰富的高质量数据集称为源域,将数据稀少且标注信息不完善的数据集称为目标域。本文主要针对开放集图像分类问题和细胞核图像语义分割问题进行了研究。本文工作主要包括几以下几个方面:1.本文提出了开放集域转化适应模型(OSTAN),该模型由一个域转化网络和一个域适应网络组成。其中域转化网络利用对抗学习的思想,设置一个域判别器和一个域转化器。域判别器尽可能的分辨样本的输入是否来自于源域,而域转化器尽可能的“欺骗”域判别器,通过两者的相互博弈以此来完成域之间的转化,域转化网络还利用循环稳定的思想并以此来增强域之间的转化能力,减轻域差异的影响。域适应网络同样也是利用对抗学习的思想来达到对未知类判别的目的。与一般的对抗生成网络不同的是,分类器所想要达到的目标是拟合目标域中未知类的分布,而生成器尽可能的欺骗分类器以使其做出错误的判断。为了达到上述目标,有两种操作供生成器选择,一种是将源域中的已知类样本和目标域中已知类样本进行对齐,另外一种是识别未知类。经过生成器和分类器之间的相互博弈,达到正确分类已知类并识别未知类的目标。我们提出的OSTAN模型不仅能够将源域的已知类和目标域中的已知类共同映射到相同的特征隐空间,并且可以学习到已知类和未知类的决策边界。其在很多公开数据集上都取得了优异的效果。2.本文还阐述了将OSTAN模型应用于细胞核图像的语义分割中,以助实现其自动化。首先,我们分别选取叁大典型分割网络DeepLab,Unet和Mask R-CNN作为基本网络框架,利用其进行细胞核的语义分割,根据实验对比分析选择了最适合细胞核图片语义分割模型Unet。此外,本文还基于Mask R-CNN做了后融合处理。然后,我们基于细胞核图片中类间分布差异较大,数据集中各类细胞核的数目分布不均的特点,探究了基于领域自适应的细胞核图像分割问题。和OSTAN类似,我们首先对源域和目标域中的图片作为域转化操作。我们利用Unet作为分割网络和特征生成器,设置域判别器,域判别器用来判断其分割结果是来自于源域还是目标域,生成器尽可能扰乱域判别器,以此来得到一个适用于源域和目标域的分割网络。最后,在进行细胞核的语义分割的时候,针对测试集中含有非细胞核的图片,例如血红细胞的应用场景,我们设定了在细胞核分割工作前的开放集图片分类问题。我们先利用OSTAN识别细胞核图片,然后再对其做语义分割,以实现细胞核图片语义分割的自动化。(本文来源于《南京大学》期刊2019-05-24）
彭密,赵恒[9]（2019）在《一种领域自适应的Web服务分类方法》一文中研究指出如何提高Web服务分类的准确性是当前服务分类方法研究的热点之一。基于机器学习的Web服务分类方法存在由于源域与目标域的分布不同而导致分类准确性下降问题。论文基于KNN算法,设计了一种领域自适应的Web服务分类方法,通过动态调整源域数据,达到领域自适应Web服务分类且提高分类准确性的目的。(本文来源于《计算机与数字工程》期刊2019年05期）
伊海洋[10]（2019）在《基于领域自适应的单样本人脸识别算法研究》一文中研究指出许多人脸识别模型依赖于训练数据的规模。对实际应用而言,原型集合(gallery)中每个人只有一个样本,如:面部解锁、刷脸支付等。这类问题通常被称作单样本人脸识别(Single Sample Face Recognition,SSFR)问题。人脸识别在单样本的情况下将面临很大挑战:一、每个人的类内散度矩阵退化为0,使得大多数判别分析方法无法工作;二、训练的模型较容易欠拟合,导致其泛化能力较差。因此,如何提高模型的准确率是非常具有挑战!目前,针对SSFR有许多有效的算法被提出。从是否使用gallery的角度,SSFR算法可分为:gallery敏感、gallery不敏感。从使用样本的角度,SSFR算法又分为:无监督学习、生成额外样本、基于辅助数据集的学习方法。这些方法一定程度上较好地处理了SSFR问题,但是仍然存在一些问题。对于无监督方法,其不能利用gallery中监督知识来指导模型学习;对于生成额外样本方法,生成样本的质量难以保证;对于基于辅助数据集的学习方法,当辅助数据与gallery中数据分布差异较大时,gallery中数据的类内变化难以被估计,单源迁移学习方法弥补了这个不足,但实际情形下,会存在多个监督源域,现有方法无法充分利用多个源域的监督知识。针对上述提到SSFR不足,本文开展了两个研究:(1)为了能够充分的利用多个源领域的知识来帮助目标域学习一个更好的模型,我们迁移多个源域的知识到目标领域来学习一个gallery不敏感的模型,并且提出一种多源域自适应单样本人脸识别算法:目标化多个源域(Targetize Multi-source Domain,TMSD)。在Multi-PIE、CAS-PEAL-R1数据集上进行大量实验验证了TMSD有效性。(2)gallery与测试样本密切相关,为了提高模型对测试样本判别能力,我们利用gallery指导模型学习,并提出了基于领域自适应的gallery敏感单样本人脸识别算法:判别领域自适应(Discriminative Domain Adaptation,DDA)。并且复现七个单样本人脸识别算法,在Multi-PIE、CAS-PEAL-R1、OFD、AR、FERET五个数据集进行实验。结果证明DDA在Rank-1标准下准确率优于其他算法。本文工作的创新点如下:1).提出了TMSD,并且给出了详细推导,并且TMSD提供了具体的优化方案;2).提出了一种基于公共子空间的Gallery类内散度矩阵的估计方法;3).对于原始空间中结合目标化源域的类内散度矩阵与在公共子空间中学习到的系数来推断gallery的类内散度矩阵的过程进行详细地证明;4).结合目标化源域的类间散度矩阵、目标域的总体散度矩阵以及gallery的类间散度矩阵、总体散度矩阵,利用判别分析方法学习一个特征提取器(本文来源于《桂林电子科技大学》期刊2019-05-01）
领域自适应论文开题报告
（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：
目的目前深度神经网络已成功应用于众多机器学习任务,并展现出惊人的性能提升效果。然而传统的深度网络和机器学习算法都假定训练数据和测试数据服从的是同一分布,而这种假设在实际应用中往往是不成立的。如果训练数据和测试数据的分布差异很大,那么由传统机器学习算法训练出来的分类器的性能将会大大降低。为了解决此类问题,提出了一种基于多层校正的无监督领域自适应方法。方法首先利用多层校正来调整现有的深度网络,利用加法迭加来完美对齐源域和目标域的数据表示;然后采用多层权值最大均值差异来适应目标域,增加网络的表示能力;最后提取学习获得的域不变特征来进行分类,得到目标图像的识别效果。结果本文算法在Office-31图像数据集等4个数字数据集上分别进行了测试实验,以对比不同算法在图像识别和分类方面的性能差异,并进行准确度测量。测试结果显示,与同领域算法相比,本文算法在准确率上至少提高了5%,在应对照明变化、复杂背景和图像质量不佳等干扰情况时,亦能获得较好的分类效果,体现出更强的鲁棒性。结论在领域自适应相关数据集上的实验结果表明,本文方法具备一定的泛化能力,可以实现较高的分类性能,并且优于其他现有的无监督领域自适应方法。
（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。
领域自适应论文参考文献
[1].江政杰,李雨倩,陈金勇,林云,李宇曜.领域自适应在遥感图像目标检测问题中的应用[C].第六届高分辨率对地观测学术年会论文集（上）.2019
[2].姚明海,方存亮.多层校正的无监督领域自适应方法[J].中国图象图形学报.2019
[3].成于思,施云涛.基于深度学习和迁移学习的领域自适应中文分词[J].中文信息学报.2019
[4].范明献,索菲.国外教育出版领域自适应学习平台建设经验及启示——以培生Revel为例[J].中国出版.2019
[5].周杰锋.自适应在数控加工领域的应用和探究[J].科技经济导刊.2019
[6].汪荣贵,姚旭晨,杨娟,薛丽霞.注意力迁移的联合平衡领域自适应[J].中国图象图形学报.2019
[7].李嘉豪,蔡瑞初.基于类内均方偏差的无监督领域自适应[J].现代计算机.2019
[8].韩旭.基于领域自适应的开放集图像分类与语义分割[D].南京大学.2019
[9].彭密,赵恒.一种领域自适应的Web服务分类方法[J].计算机与数字工程.2019
[10].伊海洋.基于领域自适应的单样本人脸识别算法研究[D].桂林电子科技大学.2019