导读:本文包含了迁移学习论文开题报告文献综述及选题提纲参考文献，主要关键词:深度残差网络,迁移学习,验证码识别,风格特征提取
迁移学习论文文献综述
段祎林,马儇龙,贾端[1]（2019）在《基于ResNet验证码混淆风格的迁移学习方法》一文中研究指出引入一种混淆风格的方法来增加验证码的识别难度,对图像信息处理有广阔的应用前景。为此,探究了利用较少的数据通过迁移学习的方法处理验证码不同混淆风格的分类问题;在预训练的深度残差网络模型基础上,针对不同混淆风格的验证码进行深入训练,再利用除去全连接层的模型进行特征提取及聚类进行比较。实验结果表明:迁移学习对验证码混淆风格分类的效果有极大的提高,可使衡量聚类效果的兰德指数从0.730 2提升至0.885 8。(本文来源于《西安石油大学学报(自然科学版)》期刊2019年06期）
贺敏,支恩玮,程兰,阎高伟[2]（2019）在《基于多工况迁移学习的磨机负荷参数软测量》一文中研究指出湿式球磨机运行过程中需要对多个负荷参数进行监测,然而运行工况改变会导致实时数据和建模数据的同分布假设不再成立。针对传统软测量方法不能考虑负荷参数之间的关联性,以及多工况情况下建模数据和实时数据概率分布变化引起的模型性能恶化问题,有针对性的引入迁移学习策略与多任务学习机制,建立一种基于多工况迁移学习的湿式球磨机负荷参数软测量模型。首先采用联合分布适配在降维过程中共同适配不同工况的边缘和条件分布,然后利用多任务最小二乘支持向量机方法对磨机负荷参数进行回归预测。实验结果表明,该软测量方法显着优于现有的方法,适用于多工况情况下的软测量建模。(本文来源于《控制工程》期刊2019年11期）
李程文,杨念,谭建平[3]（2019）在《基于半监督迁移学习SVM的多标签分类算法》一文中研究指出传统的支持向量机分类模型只有在利用大量已标注数据进行训练才能获得较高精度。在现实研究中,实际产生的数据类型种类繁多,有结构数据和非结构数据等,但都有一个共同特点,大多具有多个标签,因此传统分类算法无法直接应用于多标签分类。文章提出一种基于迁移学习的分类算法,引入迁移学习解决训练数据充分的问题,这种方法在目标域数据集被标注比较少的情况下有着明显的优势;同时为了在训练分类模型的过程中找出对分类起关键作用的信息可以引入半监督学习。(本文来源于《江苏科技信息》期刊2019年32期）
卢健,陈泽民,马成贤,何金鑫[4]（2019）在《基于迁移学习的交通标志识别》一文中研究指出传统的交通标志识别方法主要基于特征提取和机器学习技术,易受外部环境干扰,特征学习和特征表达能力较弱,识别准确率低。而基于深度学习的交通标志识别,对学习数据要求较高,模型在小样本数据学习中学习效率低。针对上述问题,提出了一种基于迁移学习的交通标志识别方法。该方法首先将ImageNet数据集中训练好的Inceptionv3模型的卷积层和瓶颈层进行迁移;然后在瓶颈层后接上全链接层,从而构建出迁移学习的模型;最后利用公开数据集和公开场景的交通标志图像进行实验训练模型验证。实验结果表明,与现有主流的交通标志识别方法相比,所提方法在微量数据集下有较高的识别率,预测准确率达96%以上。(本文来源于《测控技术》期刊2019年11期）
赵鹏,高浩渊,姚晟,杜奕[5]（2019）在《面向弱匹配的跨媒异构迁移学习》一文中研究指出针对面向弱匹配的跨媒异构迁移学习中存在的迁移学习性能不高的问题,提出了一种基于平衡异构距离的混合拉普拉斯特征映射的跨媒异构迁移学习方法.利用大量非成对数据和相对少量的成对数据蕴含的语义信息,获取不同媒体域原始特征空间到潜在公共特征空间的映射矩阵;并在跨媒异构迁移学习中,构建混合图拉普拉斯矩阵,不仅保持了同一域下样本间的流形结构,而且保持不同域下样本间的流形结构;提升训练获得的模型在跨媒异构目标域的分类预测性能.在2个公共数据集NUS-WIDE和LabelMe上进行实验,表明了在成对数据的基础上,利用大量非成对数据可以增加模型的准确率和鲁棒性.(本文来源于《计算机辅助设计与图形学学报》期刊2019年11期）
胡鑫旭,周欣,何小海,熊淑华,王正勇[6]（2019）在《基于迁移学习的暴恐音频判别方法》一文中研究指出本文从网络和电影中截取暴恐音频片段组成暴恐音频库,由于暴恐音频来源受限,而卷积神经网络需要大量的数据训练,为此,将迁移学习技术引入暴恐音频的判别中.首先采用公开的TUT音频数据集进行预训练,然后保留模型权重并迁移网络在暴恐音频库上继续训练,最后在fine-tune后的网络中增加网络的层数,添加了一种类似于残差网络的结构使其能够利用更多的音频信息.实验结果表明,使用迁移学习方法比未使用迁移学习方法的平均判别率提升了3.97%,有效解决了在暴恐音频判别研究中音频数据集过小而带来的训练问题,且改进后的迁移学习网络进一步提升了1.01%的平均判别率,最终达到96.97%的判别率.(本文来源于《计算机系统应用》期刊2019年11期）
董发进,徐金锋,吴淮宇,梁伟禺,丁志敏[7]（2019）在《基于迁移学习无创评估掌指关节滑膜病变的判别模型》一文中研究指出目的:本研究基于卷积神经网络和迁移学习,建立早期无创识别掌指关节滑膜病变的判别模型。材料和方法:选择基于TensorFlow的VGG16-D模型,45层结构,所有层都采用3X3卷积核增加网络深度,步长为1,训练集图像上对所有图像计算RGB均值;VGG全连接层有3层,总数5个池化层,分布在不同的卷积层之下,通过max pooling (最大池化)依次减少每层的神经元数量,最后3层分别是2个有4096个神经元的全连接层和一个softmax层。结果:利用VGG模型学习了百万级图片的自然物体识别的基础上,进一步对滑膜数据进行学习,采集正常滑膜500例,异常滑膜600例,随机选取整体数据的80%、10%、10%分别作为训练集、独立验证集和独立测试集,进一步学习后的模型在训练集和独立验证集上的准确率分别为94%和86%,可以看到,模型对滑膜诊断的问题确实发生了有效的学习。针对模型具体的性能评价,进一步通过独立测试集的数据验证敏感性、特异性和准确率达到96.2%、66.7%和88.6%,曲线下面积85.5%。结论:利用卷积神经网络成功对滑膜病变进行分类,需指出的是,这只是初步尝试的结果,病例数较少,后续首先需要做的就是进一步扩大病例数,我们将进一步分析更深层次的特征对滑膜病变进行分级。(本文来源于《中国超声医学工程学会第七届全国肌肉骨骼超声医学学术会议论文汇编》期刊2019-11-15）
孟欣欣,阿里甫·库尔班,吕情深,周雷[8]（2019）在《基于迁移学习的自然环境下香梨目标识别研究》一文中研究指出为了准确识别自然成熟的香梨果实,使得采摘机能对水果目标进行精确的定位,提出了使用目标检测深度学习网络模型的方法.该模型基于Mask R-CNN,首先通过在Kaggle数据集以及网上爬取并筛选出的9 600张水果图片对Resnet网络进行初步训练,然后在预训练过的Resnet网络基础上加入掩模分支和分类分支训练自然环境下成熟香梨的数据集,最终获得准确识别香梨目标的网络模型.实验结果表明,在同等目标未添加噪声的情况下,在使用水果图片数据集预训练的基础上,图片的平均分割精度为98.02%,这与使用COCO数据集进行预训练相比(精度为93.72%),平均分割精度增加了4.30%.此外,该模型对于被遮挡水果也有着不错的识别效果,在未添加噪声的情况下,被遮挡水果的平均分割精度为95.28%,这与未被遮挡水果的分割精度相比,误差仅增加了2.74%.所以,此模型对于香梨的识别和分割具有很好的鲁棒性.(本文来源于《新疆大学学报(自然科学版)》期刊2019年04期）
胡伟澎,李佑平,张秀清[9]（2019）在《基于迁移学习的MHC-I型抗原表位呈递预测》一文中研究指出基于新抗原的肿瘤免疫治疗,抗原呈递的准确预测是筛选T细胞特异性表位的关键步骤。质谱鉴定的表位数据对建立抗原呈递预测模型具有重要价值。尽管近年来质谱数据的积累持续增加,但是大部分人类白细胞抗原(humanleukocyte antigen, HLA)分型所对应的多肽数量相对较少,无法建立可靠的预测模型。为此,本研究尝试利用迁移学习的方法,先利用混合分型的表位数据建立模型以识别抗原表位的共同特征,在此预训练模型的基础上再利用分型特异性数据建立抗原呈递预测模型Pluto。在相同的验证集上,Pluto的平均0.1%阳性预测值(positive predictive value, PPV)比从头训练的模型高0.078。在外部的质谱数据独立评估上,Pluto的平均0.1%PPV为0.4255,高于从头训练模型(0.3824)和其他主流工具,包括MixMHCpred (0.3369)、NetMHCpan4.0-EL(0.4000)、NetMHCpan4.0-BA (0.3188)和MHCflurry (0.3002)。此外,在免疫原性预测评估上,Pluto相对于其他工具也能找到更多的新抗原。Pluto开源网址:https://github.com/weipenegHU/Pluto。(本文来源于《遗传》期刊2019年11期）
刘嘉政[10]（2019）在《基于深度迁移学习模型的花卉种类识别》一文中研究指出为了解决传统花卉识别方法中特征提取主观性强、模型泛化能力差、错分率高的问题,提出一种基于Inception_v3的深度迁移学习模型的花卉图像识别方法。本研究对5种常见花卉图像进行识别分类,首先对原始图像进行预处理,通过对每张图像进行水平翻转、旋转操作,扩增数据集;其次,采用预训练完毕的Inception_v3模型,对其在ImageNet上训练好的网络参数进行迁移学习,对各个参数进行微调,并保留原模型的特征提取能力,并将原模型的全连接层替换为符合本研究要求的5分类softmax分类输出层,从而构建基于深度迁移学习的识别模型。对5种花卉共计11 000张图像进行训练和验证,平均识别正确率达到93.73%,与传统的花卉识别方法相比,识别率得到提高,模型鲁棒性更强,具有一定的使用价值。(本文来源于《江苏农业科学》期刊2019年20期）
迁移学习论文开题报告
（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：
湿式球磨机运行过程中需要对多个负荷参数进行监测,然而运行工况改变会导致实时数据和建模数据的同分布假设不再成立。针对传统软测量方法不能考虑负荷参数之间的关联性,以及多工况情况下建模数据和实时数据概率分布变化引起的模型性能恶化问题,有针对性的引入迁移学习策略与多任务学习机制,建立一种基于多工况迁移学习的湿式球磨机负荷参数软测量模型。首先采用联合分布适配在降维过程中共同适配不同工况的边缘和条件分布,然后利用多任务最小二乘支持向量机方法对磨机负荷参数进行回归预测。实验结果表明,该软测量方法显着优于现有的方法,适用于多工况情况下的软测量建模。
（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。
迁移学习论文参考文献
[1].段祎林,马儇龙,贾端.基于ResNet验证码混淆风格的迁移学习方法[J].西安石油大学学报(自然科学版).2019
[2].贺敏,支恩玮,程兰,阎高伟.基于多工况迁移学习的磨机负荷参数软测量[J].控制工程.2019
[3].李程文,杨念,谭建平.基于半监督迁移学习SVM的多标签分类算法[J].江苏科技信息.2019
[4].卢健,陈泽民,马成贤,何金鑫.基于迁移学习的交通标志识别[J].测控技术.2019
[5].赵鹏,高浩渊,姚晟,杜奕.面向弱匹配的跨媒异构迁移学习[J].计算机辅助设计与图形学学报.2019
[6].胡鑫旭,周欣,何小海,熊淑华,王正勇.基于迁移学习的暴恐音频判别方法[J].计算机系统应用.2019
[7].董发进,徐金锋,吴淮宇,梁伟禺,丁志敏.基于迁移学习无创评估掌指关节滑膜病变的判别模型[C].中国超声医学工程学会第七届全国肌肉骨骼超声医学学术会议论文汇编.2019
[8].孟欣欣,阿里甫·库尔班,吕情深,周雷.基于迁移学习的自然环境下香梨目标识别研究[J].新疆大学学报(自然科学版).2019
[9].胡伟澎,李佑平,张秀清.基于迁移学习的MHC-I型抗原表位呈递预测[J].遗传.2019
[10].刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学.2019