典型文献
融合关系特征的半监督图像分类方法研究
文献摘要：
半监督深度学习模型具有泛化能力强,所需样本数较少等特点,经过10多年的发展,在理论和实际应用方面都取得了巨大的进步,然而建模样本内部"隐含"关系时模型缺乏解释性以及构造无监督正则化项难度较大等问题限制了半监督深度学习的进一步发展.针对上述问题,从丰富样本特征表示的角度出发,构造了一种新的半监督图像分类模型——融合关系特征的半监督分类模型(semi-supervised classification model fused with relational features,SCUTTLE),该模型在卷积神经网络模型(convolutional neural networks,CNN)基础上引入了图卷积神经网络(graph convolutional networks,GCN),尝试通过GCN模型来提取CNN模型各层的低、高级特征间的关系,使得融合模型不仅具有特征提取能力,而且具有关系表示能力.通过对SCUTTLE模型泛化性能进行分析,进一步说明了该模型在解决半监督相关问题时的有效性.数值实验结果表明,三层CNN与一层GCN的融合模型在CIFAR10、CIFAR100、SVHN 3种数据集上与CNN监督学习模型的精度相比均可提升5％～6％的精度值,在最先进的ResNet、DenseNet、WRN(wide residual networks)与GCN的融合模型上同样证明了本文所提模型的有效性.
文献关键词：
关系表示;特征提取;图卷积神经网络;融合模型;半监督学习;图像分类;视觉卷积;泛化性能
中图分类号：
作者姓名：
刘威;王薪予;刘光伟;王东;牛英杰
作者机构：
辽宁工程技术大学理学院,辽宁阜新123000;辽宁工程技术大学智能工程与数学研究院,辽宁阜新123000;辽宁工程技术大学数学与系统科学研究所,辽宁阜新123000;辽宁工程技术大学矿业学院,辽宁阜新 123000
文献出处：
引用格式：
[1]刘威;王薪予;刘光伟;王东;牛英杰-.融合关系特征的半监督图像分类方法研究)[J].智能系统学报,2022(05):886-899
A类：
SCUTTLE,视觉卷积
B类：
融合关系,关系特征,图像分类,分类方法,半监督深度学习,深度学习模型,泛化能力,模样,解释性,无监督,正则化,样本特征,特征表示,分类模型,半监督分类,semi,supervised,classification,model,fused,relational,features,卷积神经网络模型,convolutional,neural,networks,图卷积神经网络,graph,GCN,融合模型,具有特征,特征提取能力,关系表示,示能,模型泛化性,泛化性能,数值实验,CIFAR100,SVHN,最先,ResNet,DenseNet,WRN,wide,residual,半监督学习
AB值：
0.376428
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
