基于深度CNN的改进弱监督学习方法设计与验证

• 作 者: 尚重阳 赵东波 陈杰
• 机 构: 西安航空学院电子工程学院
• 出 处: 重庆邮电大学学报(自然科学版)
• 发表日期: 2019年02期
• 关键词: 卷积神经网络 弱监督 池化层 机器视觉 局部特征 convolutional neural networkweakly supervisedpool layer
• 基金项目: 陕西省教育厅专项科研计划项目(17JK0397),陕西省重点研发计划项目(2018GY-055).

针对包含目标、尺度和平移变化较强的空间信息难以获取大量训练样本的问题,提出一种基于深度卷积神经网络(deep convolutional neural network,DCCN)的弱监督学习方法,从3个层面对当前卷积神经网络进行扩展。为了提取分辨率更高的局部特征,同时考虑到全卷积网络(full convolution network,FCN)在全监督式学习下的高效性能,使用FCN作为后端模块;为了获取更多的通用特征,增加一个多映射弱监督学习的传输层,对与补充性类模态相关的多个局部特征进行显式学习;为