典型文献
基于卷积与稀疏编码的半监督学习方法
文献摘要：
卷积神经网络(CNN)在半监督学习中取得了良好的成绩,其在训练阶段既利用有标记样本,也利用无标记样本帮助规范化学习模型.为进一步加强半监督模型的特征学习能力,提高其在图像分类时的性能表现,本文提出一种联合深度半监督卷积神经网络和字典学习的端到端半监督学习方法,称为Semi-supervised Learning based on Sparse Coding and Convolution(SSSConv);该算法框架旨在学习到鉴别性更强的图像特征表示.SSSConv首先利用CNN提取特征,并对所提取特征进行正交投影变换,下一步通过学习其稀疏编码的低维嵌入以得到图像的特征表示,最后据此进行分类.整个模型框架可进行端到端的半监督学习训练,CNN提取特征部分和稀疏编码字典学习部分具有统一的损失函数,目标一致.本文利用共轭梯度下降算法、链式法则和反向传播等算法对目标函数的参数进行优化,将稀疏编码的相关参数约束于流形上,CNN参数既可定义在欧氏空间,也可以进一步定义在正交空间中.基于半监督分类任务的实验结果验证了所提出SSSConv框架的有效性,与现有方法相比具有较强的竞争力.
文献关键词：
稀疏表示;字典学习;卷积神经网络;半监督学习;流形;几何优化
中图分类号：
作者姓名：
刘缨杰;兰海;魏宪
作者机构：
中国科学院福建物质结构研究所泉州装备制造研究中心,福建 泉州 362200
文献出处：
引用格式：
[1]刘缨杰;兰海;魏宪-.基于卷积与稀疏编码的半监督学习方法)[J].计算机与现代化,2022(11):9-16
A类：
SSSConv
B类：
稀疏编码,半监督学习,训练阶段,标记样本,无标记,半监督模型,特征学习能力,图像分类,字典学习,端到端,Semi,supervised,Learning,Sparse,Coding,Convolution,图像特征,特征表示,提取特征,正交投影,投影变换,低维嵌入,模型框架,学习训练,部分和,码字,学习部,损失函数,共轭梯度,梯度下降算法,链式法则,反向传播,流形,可定义,欧氏空间,半监督分类,分类任务,稀疏表示,几何优化
AB值：
0.348976
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。
