期刊专题

10.3724/SP.J.1089.2019.17724

面向弱匹配的跨媒异构迁移学习

引用
针对面向弱匹配的跨媒异构迁移学习中存在的迁移学习性能不高的问题, 提出了一种基于平衡异构距离的混合拉普拉斯特征映射的跨媒异构迁移学习方法. 利用大量非成对数据和相对少量的成对数据蕴含的语义信息, 获取不同媒体域原始特征空间到潜在公共特征空间的映射矩阵; 并在跨媒异构迁移学习中, 构建混合图拉普拉斯矩阵,不仅保持了同一域下样本间的流形结构, 而且保持不同域下样本间的流形结构; 提升训练获得的模型在跨媒异构目标域的分类预测性能. 在 2个公共数据集 NUS-WIDE和 LabelMe上进行实验, 表明了在成对数据的基础上, 利用大量非成对数据可以增加模型的准确率和鲁棒性.

跨媒异构迁移学习、弱匹配问题、异构距离、混合图拉普拉斯矩阵

31

TP391.41(计算技术、计算机技术)

国家自然科学基金61602004;安徽省高校自然科学研究重点项目KJ2018A0013,KJ2017A011;安徽省自然科学基金1908085MF188,1908085MF182;安徽省重点研究与开发计划项目1804d08020309

2019-12-04(万方平台首次上网日期,不代表论文的发表时间)

共10页

1963-1972

暂无封面信息
查看本期封面目录

计算机辅助设计与图形学学报

1003-9775

11-2925/TP

31

2019,31(11)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn