面向多源圖像數(shù)據(jù)的多任務(wù)學(xué)習(xí)方法的研究.pdf

1、傳統(tǒng)的機(jī)器學(xué)習(xí)通常假設(shè)訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)分布相同，現(xiàn)實世界這種假設(shè)往往是不成立的。傳統(tǒng)的機(jī)器學(xué)習(xí)算法，不僅對數(shù)據(jù)的質(zhì)量要求非常高，需要對數(shù)據(jù)進(jìn)行去噪、降維等預(yù)處理工作，而且需要人為設(shè)計模型提取數(shù)據(jù)的特征，當(dāng)樣本規(guī)模非常大時，會耗費(fèi)大量的人力。
　　在大數(shù)據(jù)時代，面臨著不同來源的多樣性的數(shù)據(jù)集，如何將多個源域?qū)W習(xí)到的知識應(yīng)用于目標(biāo)域是當(dāng)前跨領(lǐng)域?qū)W習(xí)研究的問題之一。通常不同源域的數(shù)據(jù)具有類間及類內(nèi)的相關(guān)性，并且這些源域數(shù)據(jù)的分布不同，

2、融合各源域之間的類內(nèi)及類間的相關(guān)性以及其分布差異性建立適用于目標(biāo)域的分類模型具有重要的意義。
　　本文提出了基于多任務(wù)深度學(xué)習(xí)的共識正則化框架，適用于從多個源域到目標(biāo)域的遷移學(xué)習(xí)。在這個框架中，每個源域采用多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練模型，將每個源域視為一個任務(wù)，并行學(xué)習(xí)多個任務(wù)不僅能提高算法的效率，而且多個任務(wù)是相關(guān)的，任務(wù)間相互約束，使得算法具有更好的分類性能?？缭从蜷g的任務(wù)，通過引入一致性正則化項優(yōu)化分類模型，使得各源域訓(xùn)練得到的