研究目的
为应对图像分类深度学习中大规模标注数据获取困难及不同数据类别可分性不均的挑战，提出一种半监督层次化卷积神经网络（SS-HCNN）。
研究成果
所提出的SS-HCNN有效解决了图像分类中的数据标注约束和数据可分性不均问题。该模型仅需使用部分标注训练图像即可达到与全训练CNN相当的性能，而在使用全部标注图像时性能优于其他全训练CNN。
研究不足
与基线模型和HD-CNN相比，SS-HCNN占用更多内存空间且测试时间略长，这主要归因于其更深层次的架构结构。通过采用参数压缩技术可以进一步降低内存占用。
1：实验设计与方法选择：
SS-HCNN框架采用两阶段训练流程。第一阶段为无监督训练，通过最大间隔聚类(MMC)将图像分层聚类并训练聚类级CNN；第二阶段为有监督训练，利用少量标注图像在叶节点训练类别级CNN。
2：样本选择与数据来源：
实验在CIFAR-100和ImageNet数据集上进行。
3：实验设备与材料清单：
系统运行于搭载Intel酷睿i7-5960X CPU（3.00GHz）、NVIDIA GTX-Titan显卡及64GB内存的工作站，SS-HCNN基于Caffe软件实现。
4：00GHz）、NVIDIA GTX-Titan显卡及64GB内存的工作站，SS-HCNN基于Caffe软件实现。 实验流程与操作步骤：
4. 实验流程与操作步骤：根节点CNN使用MMC分配的聚类标签进行训练，父节点的聚类级CNN通过无监督方式基于生成聚类标签训练，叶节点的类别级CNN则采用标注图像注释进行训练。
5：数据分析方法：
通过CIFAR-100和ImageNet数据集上的错误率评估性能，对比SS-HCNN与基线方法及前沿方法的差异。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
NVIDIA GTX-Titan GPU
GTX-Titan
NVIDIA
Graphics processing unit for the workstation
-
Intel core i7-5960X CPU
3.00GHz
Intel
Processing unit for the workstation
-
RAM
64GB
Memory for the workstation
-
Caffe
Software for implementing SS-HCNN
-
登录查看剩余2件设备及参数对照表
查看全部
