导　　师： 汤茂斌

授予学位： 硕士

作　　者： (）;

机构地区： 广州大学

摘　　要： 在互联网日渐融入个人生活的今天,电商购物已经成为必不可少的一部分,数据公司会从社交网络获取电商图片,并进行识别。在识别的过程中发现,往往商家一开始积累的产品,到了更新包装的时候,发现新包装在社交网络的图片数据非常少,要达到某个时候才有足够的数据进行新包装产品的识别,这就产生了数据不及时的弊端,而且数据公司一开始积累的带有标注的珍贵数据就被浪费掉。如何利用一开始积累的大量有标注的数据,对新领域的少量数据进行标注,来识别大量新领域无标签数据?本文基于以上需求,提出基于迁移学习的电商图片识别。迁移学习是作为数据处理工具里面比较有效的处理海量的复杂数据的方法。本文从迁移学习的必要性出发,从理论、方法和实践三个层次上系统研究迁移学习问题。具体而言,本文以深度神经网络为基础,研究迁移学习在电商图片物体识别的应用和效果,以提高目标领域数据分类任务的精度为目标,针对迁移学习模式下的深度神经网络的样本选择的问题,对比不同空间的样本数据的分类效果。本文的工作从以下两个方面展开:（1）对现有的迁移学习方法进行分析,归纳总结现有的迁移学习方法,为迁移学习方法及应用提供理论支撑。细致总结、分类现有的迁移学习方法;深入研究传统深度学习中的共享权值、模型预训练和半监督学习等技术,找寻它们与迁移学习的相关性,用已有的深度学习技术指导迁移学习算法设计。（2）在迁移学习方面应用监督学习技术,建立基于深度神经网络架构的迁移学习方法,丰富了基于样本的迁移学习理论及方法。通过模型的识别性能来对比不同领域数据的迁移学习效果。在模型选择上,从经验公式中验证该选型方法的有效性,并纵向比较不同网络的迁移性能,分析迁移成功和失败的原因,�

关 键 词： 迁移学习 深度学习 监督学习 物体识别

领　　域： []