大数据时代下的迁移学习_基于迁移学习的图像识别技术研究

【摘要】大数据时代图像数据在互联网信息的承载和传播中扮演着越来越重要的角色。为了对互联网上海量的图像信息进行高效的组织和管理，需要对这些图像进行快速且准确的识别分类。图像识别就是利用计算机按照一定的算法规则对图像进行识别分类。图像识别过程中需要对图像进行特征提取，然后建立描述特征和类别之间的映射关系，最后对待测图像识别分类。基于手工设计特征的传统图像识别技术只能学习到单一的图像特征，无法完成大规模的图像识别任务。基于深度学习的图像识别算法，可以充分发挥深度卷积网络在图像特征提取方面的优势，自动学习到层次化的图像特征，提高图像识别检测的准确率。 本课题研究了卷积模型规模对图像识别的影响，但是基于深度学习的识别算法面临着两个问题：(1)深度神经网络层数较少时，对数据的表征能力有限，难以学习到高效准确的图像特征；当神经网络加深时，模型的表征能力提高，但也需要更多的训练样本，否则模型容易过拟合，性能反而下降。(2)和其他许多机器学习方法一样，深度学习算法有一个基本假设前提，训练数据和待预测数据的分布是相同的；当二者分布不同时，算法性能可能下降，需要重新训练模型。 在很多工业场景数据难以获取而且标注成本高，加剧了深度学习识别算法面临的困难，严重限制了深度学习在工业场景的部署和应用。迁移学习是解决带标签样本不足的有效方法。本课题将迁移学习应用于深度卷积模型的图像识别算法中，基于AlexNet研究了卷积神经网络的可迁移性,并通过预训练模型初始化提高了VGG16在小样本条件下跨数据集的图像识别准确率。最后通过联合训练的域适应方法，减小源域和目标域特征分布的差异，进一步提升了小样本识别的准确率。