多任務學習及其在圖像分類中的應用研究.pdf

1、機器學習作為人工智能領域的核心研究課題之一，近年來取得了快速發(fā)展。多任務學習是一種機器學習方法，由歸納偏置問題發(fā)展而來，是一種利用任務間共享的有用信息同時對多個任務作并行學習的一種方法。結合正則化方法、隨機過程、支持向量機和深度學習等技術來進行多任務學習建模的方法已廣泛應用于語音處理、疾病預測、圖像處理、數據挖掘等領域。同時，隨著移動互聯(lián)網和多媒體技術的飛速發(fā)展，多媒體數據爆炸式增長，盡管數據中經常出現大稀疏噪聲、缺失或損毀的情況，但是

2、這些大規(guī)模數據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：
　?。?）簡要介紹了多任務學習定義及其發(fā)展歷程，梳理了單任務學習和多任務學習的異同點，總結了多任務學習理論中任務間相關性的類型，比較了遷移學習、多任務學習、多標記學習和多分類學習的相互關系；
　?。?）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；
　?。?）提出了基于低秩結構和組合稀疏約束的多任務圖像分類模型（MTC LS），該問題包含一個凸光滑函數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