项目名称: 迁移学习在图像分类中的应用研究

项目编号: No.61300163

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 闫胜业

作者单位: 南京信息工程大学

项目金额: 23万元

中文摘要: 数据标注是图像分类中的一个关键问题。本项目旨在研究网络海量弱标注数据在图像分类中的使用问题。拟以迁移理论为基础,围绕大规模数据学习,海量数据标注噪声处理、海量数据中不同分布数据的分离以及目标物体对齐这四个方面展开研究。主要研究内容包括:如何建立一个更加有效的图像视觉表示,如何有效的分离不同分布的海量图像数据并有选择地利用,如何构建针对图像分类问题特有的目标物体位置、尺度、姿态分布存在不同的海量弱标注数据迁移学习模型,以及如何在新的模型下进行优化求解,并基于研究成果搭建场景分类的原型系统。

中文关键词: SVM;多示例学习;迁移学习;Bag of words;Spatial pyramid

英文摘要: Data annotation is a key problem in classification. This project aims at how to take advantage of the huge weak-labeled web image data to improve the performance of image classification. Based on transfer learning theory, four aspects will be studied, including large scale learning, noise handling, data separation from different distribution and targe object alignment. The main research contents includes: how to extract efficient visual cues from image, how to separate the large scale web dataset into differnt small source datasets and use them selectively, how to build the new transfer learning model taking both noise and alignment of position, scale and pose into consideration, how to derive the optimization problem. We will also build a demo system of scene landmark classification based on the research results.

英文关键词: SVM;Multiple instance learning;Transfer learning;Bag of words;Spatial pyramid

成为VIP会员查看完整内容
7

相关内容

在机器学习中,支持向量机(SVM,也称为支持向量网络)是带有相关学习算法的监督学习模型,该算法分析用于分类和回归分析的数据。支持向量机(SVM)算法是一种流行的机器学习工具,可为分类和回归问题提供解决方案。给定一组训练示例,每个训练示例都标记为属于两个类别中的一个或另一个,则SVM训练算法会构建一个模型,该模型将新示例分配给一个类别或另一个类别,使其成为非概率二进制线性分类器(尽管方法存在诸如Platt缩放的问题,以便在概率分类设置中使用SVM)。SVM模型是将示例表示为空间中的点,并进行了映射,以使各个类别的示例被尽可能宽的明显间隙分开。然后,将新示例映射到相同的空间,并根据它们落入的间隙的侧面来预测属于一个类别。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【博士论文】开放环境下的度量学习研究
专知会员服务
44+阅读 · 2021年12月4日
贝叶斯迁移学习: 迁移学习的概率图模型概述
专知会员服务
65+阅读 · 2021年10月17日
专知会员服务
24+阅读 · 2021年6月17日
基于小样本学习的图像分类技术综述(中文版),19页pdf
专知会员服务
83+阅读 · 2021年3月15日
【博士论文】辨识性特征学习及在细粒度分析中的应用
专知会员服务
29+阅读 · 2020年12月10日
专知会员服务
74+阅读 · 2020年12月6日
专知会员服务
46+阅读 · 2020年10月20日
专知会员服务
31+阅读 · 2020年9月2日
基于小样本学习的图像分类技术综述
专知会员服务
146+阅读 · 2020年5月6日
自监督视觉特征学习
专知
0+阅读 · 2021年11月1日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
37+阅读 · 2019年7月25日
干货——图像分类(上)
计算机视觉战队
27+阅读 · 2018年8月28日
【迁移学习】简述迁移学习在深度学习中的应用
产业智能官
15+阅读 · 2018年1月9日
【迁移学习】迁移学习在图像分类中的简单应用策略
TensorFlow图像分类教程
机器学习研究会
33+阅读 · 2017年12月29日
迁移学习在深度学习中的应用
专知
23+阅读 · 2017年12月24日
行人再识别中的迁移学习
计算机视觉战队
11+阅读 · 2017年12月20日
国家自然科学基金
21+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
7+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
3+阅读 · 2009年12月31日
Arxiv
13+阅读 · 2022年1月20日
Arxiv
17+阅读 · 2021年1月21日
Arxiv
11+阅读 · 2020年8月3日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
小贴士
相关VIP内容
【博士论文】开放环境下的度量学习研究
专知会员服务
44+阅读 · 2021年12月4日
贝叶斯迁移学习: 迁移学习的概率图模型概述
专知会员服务
65+阅读 · 2021年10月17日
专知会员服务
24+阅读 · 2021年6月17日
基于小样本学习的图像分类技术综述(中文版),19页pdf
专知会员服务
83+阅读 · 2021年3月15日
【博士论文】辨识性特征学习及在细粒度分析中的应用
专知会员服务
29+阅读 · 2020年12月10日
专知会员服务
74+阅读 · 2020年12月6日
专知会员服务
46+阅读 · 2020年10月20日
专知会员服务
31+阅读 · 2020年9月2日
基于小样本学习的图像分类技术综述
专知会员服务
146+阅读 · 2020年5月6日
相关资讯
自监督视觉特征学习
专知
0+阅读 · 2021年11月1日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
37+阅读 · 2019年7月25日
干货——图像分类(上)
计算机视觉战队
27+阅读 · 2018年8月28日
【迁移学习】简述迁移学习在深度学习中的应用
产业智能官
15+阅读 · 2018年1月9日
【迁移学习】迁移学习在图像分类中的简单应用策略
TensorFlow图像分类教程
机器学习研究会
33+阅读 · 2017年12月29日
迁移学习在深度学习中的应用
专知
23+阅读 · 2017年12月24日
行人再识别中的迁移学习
计算机视觉战队
11+阅读 · 2017年12月20日
相关基金
国家自然科学基金
21+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
7+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
3+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员