多任務(wù)學(xué)習(xí)及其在圖像分類中的應(yīng)用研究.pdf

1、機器學(xué)習(xí)作為人工智能領(lǐng)域的核心研究課題之一，近年來取得了快速發(fā)展。多任務(wù)學(xué)習(xí)是一種機器學(xué)習(xí)方法，由歸納偏置問題發(fā)展而來，是一種利用任務(wù)間共享的有用信息同時對多個任務(wù)作并行學(xué)習(xí)的一種方法。結(jié)合正則化方法、隨機過程、支持向量機和深度學(xué)習(xí)等技術(shù)來進行多任務(wù)學(xué)習(xí)建模的方法已廣泛應(yīng)用于語音處理、疾病預(yù)測、圖像處理、數(shù)據(jù)挖掘等領(lǐng)域。同時，隨著移動互聯(lián)網(wǎng)和多媒體技術(shù)的飛速發(fā)展，多媒體數(shù)據(jù)爆炸式增長，盡管數(shù)據(jù)中經(jīng)常出現(xiàn)大稀疏噪聲、缺失或損毀的情況，但是

2、這些大規(guī)模數(shù)據(jù)含有大量有用信息可供挖掘，此時適用于向量和矩陣的稀疏性理論在建模過程中發(fā)揮了重要的作用。鑒于此，論文的主要工作包含以下幾個方面：
　?。?）簡要介紹了多任務(wù)學(xué)習(xí)定義及其發(fā)展歷程，梳理了單任務(wù)學(xué)習(xí)和多任務(wù)學(xué)習(xí)的異同點，總結(jié)了多任務(wù)學(xué)習(xí)理論中任務(wù)間相關(guān)性的類型，比較了遷移學(xué)習(xí)、多任務(wù)學(xué)習(xí)、多標記學(xué)習(xí)和多分類學(xué)習(xí)的相互關(guān)系；
　　（2）研究了稀疏表示理論和矩陣的秩極小化理論，分析了稀疏約束和秩極小化在圖像分類中的適用

3、性。稀疏表示是壓縮感知理論的重要組成部分，在圖像處理中有著重要應(yīng)用。矩陣的秩極小化理論是向量稀疏性理論的擴展，包含矩陣填充、魯棒主成分分析和低秩表示等模型；
　?。?）提出了基于低秩結(jié)構(gòu)和組合稀疏約束的多任務(wù)圖像分類模型（MTC LS），該問題包含一個凸光滑函數(shù)和兩項凸的但非光滑的約束項，利用子梯度法和加速近似梯度法可以求解該優(yōu)化問題；
　?。?）驗證了MTCLS模型的有效性，論文使用Oxford Flowers17 Cat