發(fā)布時(shí)間：2024-05-19 23:57

　　目前深度學(xué)習(xí)技術(shù)已經(jīng)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了極大的成功,在例如醫(yī)療影像、身份識(shí)別、智能交通、圖像合成等領(lǐng)域得到廣泛的應(yīng)用,隨著深度學(xué)習(xí)算法的不斷發(fā)展與技術(shù)突破,人工智能技術(shù)正逐漸廣泛的進(jìn)入社會(huì)的方方面面,成為關(guān)系國(guó)計(jì)民生的重要技術(shù)。然而目前大多深度學(xué)習(xí)模型若想取得較好的效果通常都需要依賴(lài)于海量的數(shù)據(jù)集資源,高精度的模型往往伴隨著更深層的網(wǎng)絡(luò)結(jié)構(gòu),更苛刻的硬件資源需求以及更大量且具有多樣性的訓(xùn)練數(shù)據(jù)。一方面這將耗費(fèi)大量的人力和財(cái)力,另一方面在現(xiàn)實(shí)中的一些情境下很難采集如此大量的數(shù)據(jù),數(shù)據(jù)稀缺常常是深度學(xué)習(xí)技術(shù)面臨的主要問(wèn)題,這無(wú)疑限制了深度學(xué)習(xí)技術(shù)的發(fā)展與實(shí)際應(yīng)用,成為技術(shù)發(fā)展的瓶頸,因此對(duì)小樣本學(xué)習(xí)技術(shù)的研究具有重要的理論意義和應(yīng)用價(jià)值。目前的深度神經(jīng)網(wǎng)絡(luò)算法也缺乏一定的可解釋性,模型的泛化能力以及算法本身仍具有很大的改進(jìn)空間。近幾年圖像生成技術(shù)也得到學(xué)術(shù)界廣泛的關(guān)注,在人臉生成、圖像超分辨率、圖像風(fēng)格遷移、圖像修復(fù)等場(chǎng)景都取得了顯著成功,圖像生成技術(shù)也有助于更好的建模樣本數(shù)據(jù),與圖像識(shí)別技術(shù)相輔相成,并且可以通過(guò)擴(kuò)充數(shù)據(jù)集進(jìn)一步提升識(shí)別模型的準(zhǔn)確率,而圖像生成技術(shù)在訓(xùn)練的穩(wěn)定性以及生成...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 引言
    1.1 研究背景
    1.2 相關(guān)工作和研究?jī)?nèi)容
    1.3 論文結(jié)構(gòu)
第2章 小樣本學(xué)習(xí)及膠囊路由
    2.1 小樣本學(xué)習(xí)技術(shù)
        2.1.1 元學(xué)習(xí)方法
        2.1.2 度量學(xué)習(xí)方法
    2.2 膠囊路由算法
        2.2.1 向量膠囊路由
        2.2.2 期望最大化算法
        2.2.3 EM路由算法
    2.3 改進(jìn)的小樣本學(xué)習(xí)算法
        2.3.1 大邊際余弦損失
        2.3.2 前向傳播算法
        2.3.3 模型訓(xùn)練過(guò)程
第3章 圖像生成模型
    3.1 常用的圖像生成技術(shù)
        3.1.1 對(duì)抗生成網(wǎng)絡(luò)
        3.1.2 變分自編碼器
    3.2 混合模型
    3.3 改進(jìn)的小樣本圖像生成模型
        3.3.1 算法原理
        3.3.2 訓(xùn)練策略
第4章 實(shí)驗(yàn)過(guò)程與性能分析
    4.1 實(shí)驗(yàn)環(huán)境
    4.2 數(shù)據(jù)集設(shè)置與預(yù)處理
    4.3 實(shí)驗(yàn)設(shè)置與分析
        4.3.1 小樣本圖像分類(lèi)實(shí)驗(yàn)
        4.3.2 小樣本圖像生成實(shí)驗(yàn)
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來(lái)研究方向
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄
學(xué)位論文評(píng)閱及答辯情況表



本文編號(hào)：3978645