一種改進(jìn)的可遷移深度學(xué)習(xí)模型

——An improved model for transfer deep learning

打開文本圖片集

摘 要：本文設(shè)計(jì)了一種改進(jìn)的可遷移深度學(xué)習(xí)模型。該模型能夠在離開可靠的訓(xùn)練環(huán)境（其中存在標(biāo)簽）并被置于純粹的無標(biāo)簽數(shù)據(jù)的領(lǐng)域時，輸出依然可以持續(xù)得到改善，這種訓(xùn)練方式可以降低對監(jiān)督學(xué)習(xí)的依賴程度。

關(guān)鍵詞：可遷移;深度學(xué)習(xí);無標(biāo)簽

基金項(xiàng)目：湖南省教育廳科學(xué)研究課題“基于深度學(xué)習(xí)的智能無人機(jī)目標(biāo)檢測算法研究”（20C0105）;湖南省自然科學(xué)基金項(xiàng)目《基于高光譜特征信息融合的油菜籽品質(zhì)參數(shù)反演與建?！罚?021JJ60093）;校級培育項(xiàng)目“基于深度學(xué)習(xí)的目標(biāo)檢測算法研究”（22mypy15）

1 引言

隨著深度學(xué)習(xí)的發(fā)展，深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上取得了很大突破 ， 基于深度學(xué)習(xí)的圖像識別方法避免了傳統(tǒng)圖像處理時最費(fèi)時費(fèi)力的特征提取部分，設(shè)計(jì)者只需要關(guān)注網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)，網(wǎng)絡(luò)自動提取的特征越好，圖像分類的準(zhǔn)確率就越高。（剩余3153字）