發(fā)布時間：2024-05-19 23:57

　　目前深度學習技術(shù)已經(jīng)在計算機視覺領(lǐng)域取得了極大的成功,在例如醫(yī)療影像、身份識別、智能交通、圖像合成等領(lǐng)域得到廣泛的應用,隨著深度學習算法的不斷發(fā)展與技術(shù)突破,人工智能技術(shù)正逐漸廣泛的進入社會的方方面面,成為關(guān)系國計民生的重要技術(shù)。然而目前大多深度學習模型若想取得較好的效果通常都需要依賴于海量的數(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練數(shù)據(jù)。一方面這將耗費大量的人力和財力,另一方面在現(xiàn)實中的一些情境下很難采集如此大量的數(shù)據(jù),數(shù)據(jù)稀缺常常是深度學習技術(shù)面臨的主要問題,這無疑限制了深度學習技術(shù)的發(fā)展與實際應用,成為技術(shù)發(fā)展的瓶頸,因此對小樣本學習技術(shù)的研究具有重要的理論意義和應用價值。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空間。近幾年圖像生成技術(shù)也得到學術(shù)界廣泛的關(guān)注,在人臉生成、圖像超分辨率、圖像風格遷移、圖像修復等場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),與圖像識別技術(shù)相輔相成,并且可以通過擴充數(shù)據(jù)集進一步提升識別模型的準確率,而圖像生成技術(shù)在訓練的穩(wěn)定性以及生成...

【文章頁數(shù)】：63 頁

【學位級別】：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)工作和研究內(nèi)容
    1.3 論文結(jié)構(gòu)
第2章 小樣本學習及膠囊路由
    2.1 小樣本學習技術(shù)
        2.1.1 元學習方法
        2.1.2 度量學習方法
    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 改進的小樣本學習算法
        2.3.1 大邊際余弦損失
        2.3.2 前向傳播算法
        2.3.3 模型訓練過程
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 改進的小樣本圖像生成模型
        3.3.1 算法原理
        3.3.2 訓練策略
第4章 實驗過程與性能分析
    4.1 實驗環(huán)境
    4.2 數(shù)據(jù)集設(shè)置與預處理
    4.3 實驗設(shè)置與分析
        4.3.1 小樣本圖像分類實驗
        4.3.2 小樣本圖像生成實驗
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來研究方向
參考文獻
致謝
攻讀學位期間發(fā)表的學術(shù)論文目錄
學位論文評閱及答辯情況表



本文編號：3978645