导读:本文包含了学习样本论文开题报告文献综述及选题提纲参考文献，主要关键词:机器视觉,迁移学习,增量学习,FCNet
学习样本论文文献综述
周永福,曾志,罗中良[1]（2019）在《小样本深度学习方法实现LED TV屏缺陷检测》一文中研究指出为实现当前工业4.0时代电子类企业智能制造的全过程,引入机器视觉完成产品的缺陷检测,用于解决缺陷问题多样性导致算法能力不足的问题;首先对已标注小样本数据集通过深度学习得到初始特征模型,接着针对该特征模型施以迁移学习方法用以实现LED TV的检测,并将已检测样本进一步用于增量学习完成模型参数的修正,最后采用全连接神经网络FCNet(Fully Connected Neural Network)完成分类,探讨了一种运用机器视觉实现LED TV的光学屏检技术;并给出了检测样品作为补充的样本数据集增量学习模型;实践表明,所提出的方法能进一步提升工业机器人智能制造阶段自动化检测的准确率,最终实现工业生产的柔性和智能化水平,并为机器视觉的应用提供示范。(本文来源于《计算机测量与控制》期刊2019年11期）
向勇[2]（2019）在《学习十九届四中全会精神 打造“良法善治”的嘉兴样本》一文中研究指出党的十九届四中全会把全国依法治国摆在中国特色社会主义制度显着优势的枢纽地位。全面依法治国作为中国特色社会主义制度的显着优势，是党的十八大以来，我们党把制度建设摆到更加突出的位置的必然表现，是到本世纪中叶实现国家治理体系和治理能力现代化目标的必然要求。全面(本文来源于《嘉兴日报》期刊2019-11-17）
周榕,李世瑾[3]（2019）在《虚拟现实技术能提高学习成效吗？——基于46个有效样本的实验与准实验元分析》一文中研究指出文章采用元分析方法,首先通过文献检索,得到46个有关"虚拟现实技术"、"学习成效"的有效样本。随后,文章用漏斗图验证了样本的有效性,用森林图呈现了虚拟现实技术对学习成效的整体影响,发现:整体而言,虚拟现实技术对学习成效具有中上等影响;同时,文章将学段、学科、教学时长、教学方法、教学场所和虚拟现实技术类型设为调节变量,用效应值检验了调节变量的调节效应。最后,文章基于元分析结果,提出了虚拟现实技术的教学应用建议,以期为推动虚拟现实技术与教学的融合、提高学习者的学习成效提供参考。(本文来源于《现代教育技术》期刊2019年11期）
余游,冯林,王格格,徐其凤[4]（2019）在《一种基于伪标签的半监督少样本学习模型》一文中研究指出如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少样本学习模型FSLSS(Few-Shot Learning based on Semi-Supervised).首先,利用pytorch深度学习框架建立一个关系型深度学习网络,并使用源域数据对网络进行预训练;然后,使用此网络对目标域数据进行分类预测,将分类概率最大的类标签作为数据的伪标签;最后,利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练,并重复伪标签标记与混合训练过程.实验结果表明,相对于现有主流少样本学习算法,FSLSS模型有更好的泛化能力及知识迁移效果.(本文来源于《电子学报》期刊2019年11期）
余游,冯林,王格格,徐其凤[5]（2019）在《一种基于深度网络的少样本学习方法》一文中研究指出少样本学习是目前机器学习研究领域的热点与难点.在源域和目标域分布差异很大的情况下,现有的主流少样本学习算法训练得到的模型,泛化能力较弱,导致识别率不高.针对这个问题,提出一种基于深度网络的少样本学习方法 DL-FSL(Deep Learning-based Few-Shot Learning,DL-FSL).首先,采用Bagging方法有放回地随机采样方式产生不同的训练集,针对不同的训练集,分别产生样本集、查询集.其次,建立多条异步线程,利用关系型网络学习算法以及Pytorch深度学习框架并行训练出多个不同的基模型;然后,采用概率投票方式对不同的基模型进行融合.实验结果表明,与现有方法相比,DL-FSL方法在源域和目标域分布差异很大的情况下能有效地提高少样本学习算法的识别率.(本文来源于《小型微型计算机系统》期刊2019年11期）
任胜男,孙钰,张海燕,郭丽霞[6]（2019）在《基于one-shot学习的小样本植物病害识别》一文中研究指出针对植物病害小样本问题提出一种基于one-shot学习的植物病害识别方法。以公开数据集PlantVillage中8类样本数量较少的植物病害图像作为识别对象,使用焦点损失函数(focal loss, FL)训练基于关系网络的植物病害分类器。训练过程中,调整FL超参数使模型聚焦于困难样本,从而提高植物病害识别精确率。结果表明:该方法在5-way、1-shot任务中识别精确率达到89.90%,相比原始关系网络模型精确率提高了4.69个百分点。同时,与匹配网络和迁移学习相比,改进后的方法在实验数据集上识别精确率分别提高了25.02个百分点和41.90个百分点。(本文来源于《江苏农业学报》期刊2019年05期）
王家[7]（2019）在《基于深度学习的图像识别问题中对抗样本的研究》一文中研究指出神经网络在分类问题中表现出色。但最近研究表明,如果在原有输入数据上迭加一个很小的噪声,分类的效果就会受到严重干扰。本文主要研究基于FGS算法,针对图像分类问题生成对抗样本的原理与方法,该方法测试数据集上的测试表明,加入噪点后的任意图片所生成的对抗样本,能以99%以上的置信度被识别为我们指定的类别。(本文来源于《电脑知识与技术》期刊2019年28期）
刘秀琴,陈艺城,陈晓敏[8]（2019）在《高等教育自学考生学习状态研究——基于广东省321个样本的调查》一文中研究指出本研究以广东省高职院校自考生为研究对象进行问卷调查,分为学习态度、学习环境、学习能力、心理状态等四个维度,通过总体描述、探索性因子分析、方差分析和logit回归显示,不同的性别、年级、家庭平均月收入在心理状态或学习能力上存在显着差异,其他人口统计学特征在学习状态上的差异不明显,学习环境和学习态度是影响自考生推荐他人自考的重要因素。(本文来源于《文教资料》期刊2019年27期）
赵颖[9]（2019）在《基于转移学习的小样本数据深度学习研究》一文中研究指出卷积神经网络的深度学习在图像识别领域取得了巨大的成功,但是训练一个深度学习网络需要大量的数据样本。在实际工作中,很难得到大量的训练样本,在数据集有限的情况下,容易过度拟合。针对这一问题,设计了一种基于转移学习的深度卷积神经网络来解决小样本数据集的问题。采用数据扩充的方法来扩大样本数据集的数量,利用转移学习将训练好的网络(CNN)从大样本数据集中转移到的小样本数据集中进行二次训练,使用全局平均池而不是全连接层来训练网络,并利用Soft max进行分类。该方法解决了深度学习中样本数据集小的问题,提高了操作效率。实验结果表明,该方法对小样本数据集的分类具有较高的识别率。(本文来源于《长江工程职业技术学院学报》期刊2019年03期）
汪荣贵,郑岩,杨娟,薛丽霞[10]（2019）在《代表特征网络的小样本学习方法》一文中研究指出目的小样本学习任务旨在仅提供少量有标签样本的情况下完成对测试样本的正确分类。基于度量学习的小样本学习方法通过将样本映射到嵌入空间,计算距离得到相似性度量以预测类别,但未能从类内多个支持向量中归纳出具有代表性的特征以表征类概念,限制了分类准确率的进一步提高。针对该问题,本文提出代表特征网络,分类效果提升显着。方法代表特征网络通过类代表特征的度量学习策略,利用类中支持向量集学习得到的代表特征有效地表达类概念,实现对测试样本的正确分类。具体地说,代表特征网络包含两个模块,首先通过嵌入模块提取抽象层次高的嵌入向量,然后堆迭嵌入向量经过代表特征模块得到各个类代表特征。随后通过计算测试样本嵌入向量与各类代表特征的距离以预测类别,最后使用提出的混合损失函数计算损失以拉大嵌入空间中相互类别间距减少相似类别错分情况。结果经过广泛实验,在Omniglot、mini Image Net和Cifar100数据集上都验证了本文模型不仅可以获得目前已知最好的分类准确率,而且能够保持较高的训练效率。结论代表特征网络可以从类中多个支持向量有效地归纳出代表特征用于对测试样本的分类,对比直接使用支持向量进行分类具有更好的鲁棒性,进一步提高了小样本条件下的分类准确率。(本文来源于《中国图象图形学报》期刊2019年09期）
学习样本论文开题报告
（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：
党的十九届四中全会把全国依法治国摆在中国特色社会主义制度显着优势的枢纽地位。全面依法治国作为中国特色社会主义制度的显着优势，是党的十八大以来，我们党把制度建设摆到更加突出的位置的必然表现，是到本世纪中叶实现国家治理体系和治理能力现代化目标的必然要求。全面
（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。
学习样本论文参考文献
[1].周永福,曾志,罗中良.小样本深度学习方法实现LEDTV屏缺陷检测[J].计算机测量与控制.2019
[2].向勇.学习十九届四中全会精神打造“良法善治”的嘉兴样本[N].嘉兴日报.2019
[3].周榕,李世瑾.虚拟现实技术能提高学习成效吗？——基于46个有效样本的实验与准实验元分析[J].现代教育技术.2019
[4].余游,冯林,王格格,徐其凤.一种基于伪标签的半监督少样本学习模型[J].电子学报.2019
[5].余游,冯林,王格格,徐其凤.一种基于深度网络的少样本学习方法[J].小型微型计算机系统.2019
[6].任胜男,孙钰,张海燕,郭丽霞.基于one-shot学习的小样本植物病害识别[J].江苏农业学报.2019
[7].王家.基于深度学习的图像识别问题中对抗样本的研究[J].电脑知识与技术.2019
[8].刘秀琴,陈艺城,陈晓敏.高等教育自学考生学习状态研究——基于广东省321个样本的调查[J].文教资料.2019
[9].赵颖.基于转移学习的小样本数据深度学习研究[J].长江工程职业技术学院学报.2019
[10].汪荣贵,郑岩,杨娟,薛丽霞.代表特征网络的小样本学习方法[J].中国图象图形学报.2019