论文部分内容阅读
理解和发现数据内在的生成规律一直是科学家研究的重点。近年来，随着深度学习以及表示学习理论的发展，数据中的生成因素解析逐渐成为机器学习研究的热点方向之一。理解数据中的生成因素不仅能够对数据的来源获得更加清晰的认识，同时也能对后续的机器学习任务提取有用的特征表示。本文对深度学习中的因素解析作用展开了研究，取得了如下的成果: 1.从流形学习的角度对因素解析作用进行了阐述，并基于深度学习算法中的自动编码器和流形学习中的结构保持概念，提出了一种局部结构保持映射算法，试图通过非监督的方式发现数据中的解释性因素。在Mnists手写体字符识别问题上的实验结果表明，所提方法不仅提升了分类准确度，学习到的特征表示能够对数据内在的因素作用关系进行一定刻画，并且能够较好地处理数据噪声。 2.利用深度卷积神经网络特征提取方法对视觉行人检测问题开展了研究，提出了一种新的两阶段式的行人检测算法框架，在粗检测阶段进行候选窗口提取，精检测阶段进行特征提取与判别，在INRIA、Caltech、ETH数据集上进行了充分的实验，对算法的性能进行了详细的分析比较。 3.对深度卷积神经网络提取特征过程中的因素解析作用进行了分析，提出了特征空间规整的概念，以此为基础对深度卷积神经网络特征提取过程提出了一种改进的方法，旨在通过非监督学习方法对特征提取过程引入因素解析的作用。实验表明，该方法在目标检测问题中带来了一定的改进，同时为进一步的理论工作指出了探索的方向。