新書推薦：
《
实用对联大全
》
售價：NT$
225.0
《
想象欧洲丛书（7册）欧洲史
》
售價：NT$
1880.0
《
没有伞的孩子必须努力奔跑
》
售價：NT$
149.0
《
做最好的班主任（李镇西教育文集版）
》
售價：NT$
230.0
《
数据驱动法律
》
售價：NT$
390.0
《
对话世界一流大学图书馆馆长
》
售價：NT$
995.0
《
揭秘立体翻翻书--我们的国宝
》
售價：NT$
490.0
《
清代贡院史
》
售價：NT$
800.0
|
| 編輯推薦： |
|
本书可供从事机器学习、模式分类、人工智能以及相关领域研究和应用的技术研发人员参考， 也可作为相关专业的高年级本科生和研究生的教材。
|
| 內容簡介： |
本书系统地阐述了迁移学习的解决方法和典型应用。首先， 论述了迁移学习的基本概念、方法分类及发展历程， 介绍了迁移学习的相关基础知识。其次， 探讨了迁移学习的基本方法， 包括基于样本、基于特征、基于模型和基于关系的迁移学习方法， 阐述了深度迁移学习的经典方法， 包括神经网络自适应迁移方法和神经网络对抗迁移方法， 介绍了更加实用的部分域适应方法和开集域适应方法。后， 介绍了迁移学习在动作识别、目标检测及语义分割三个方向的应用。
本书可供从事机器学习、模式分类、人工智能以及相关领域研究和应用的技术研发人员参考，也可作为相关专业的高年级本科生和研究生的教材。
|
| 關於作者： |
|
吴心筱，女，1982年生，江苏江阴人。于2010年获得北京理工大学博士学位。现任北京理工大学副教授，博士生导师。主要研究方向为图像视频内容理解、计算机视觉。在IJCV、IEEE TIP、IEEE TNNLS、IEEE TMM等重要国际刊物和ICCV、CVPR、ACM MM、AAAI、IJCAI等国际会议上发表学术论文30余篇。负责国家自然科学基金青年和面上项目、教育部博士点基金等项目。获“2012年中国人工智能学会优秀博士学位论文”荣誉。
|
| 目錄：
|
第1 章 绪论………………………………………………………………………………… 001
1. 1 机器学习概述 ………………………………………………………………………… 001
1. 1. 1 机器学习的主要步骤 …………………………………………………………… 001
1. 1. 2 机器学习的分类 ………………………………………………………………… 003
1. 2 迁移学习的基本概念 ………………………………………………………………… 005
1. 2. 1 迁移学习的定义 ………………………………………………………………… 005
1. 2. 2 域和任务 ………………………………………………………………………… 007
1. 2. 3 迁移学习的数学表示 …………………………………………………………… 008
1. 2. 4 迁移学习的基础研究问题 ……………………………………………………… 009
1. 3 迁移学习方法的分类 ………………………………………………………………… 010
1. 3. 1 根据目标域中所包含的有标签数据情况分类 ………………………………… 010
1. 3. 2 根据源域与目标域的数据和任务的不同分类 ………………………………… 011
1. 3. 3 根据源域与目标域的特征空间或标签是否同构分类 ………………………… 014
1. 3. 4 迁移学习方法的总结分类 ……………………………………………………… 014
1. 4 迁移学习的发展历史 ………………………………………………………………… 016
1. 5 其他学习方法 ………………………………………………………………………… 017
1. 5. 1 主动学习 ………………………………………………………………………… 017
1. 5. 2 在线学习 ………………………………………………………………………… 018
1. 5. 3 度量学习 ………………………………………………………………………… 019
1. 5. 4 深度迁移学习 …………………………………………………………………… 020
1. 5. 5 强化学习 ………………………………………………………………………… 024
参考文献……………………………………………………………………………………… 025
第2 章 基础知识 ………………………………………………………………………… 032
2. 1 矩阵分析 ……………………………………………………………………………… 032
2. 1. 1 基本概念 ………………………………………………………………………… 032
2. 1. 2 矩阵分解 ………………………………………………………………………… 036
2. 2 概率论 ………………………………………………………………………………… 039
2. 2. 1 随机变量 ………………………………………………………………………… 039
2. 2. 2 概率分布 ………………………………………………………………………… 039
2. 2. 3 随机变量的数字特征 …………………………………………………………… 041
2. 3 化方法 …………………………………………………………………………… 042
2. 3. 1 梯度下降法 ……………………………………………………………………… 043
2. 3. 2 牛顿法 …………………………………………………………………………… 044
2. 3. 3 拟牛顿法 ………………………………………………………………………… 045
2. 4 神经网络 ……………………………………………………………………………… 046
2. 4. 1 神经元模型 ……………………………………………………………………… 046
2. 4. 2 单层感知器 ……………………………………………………………………… 048
2. 4. 3 多层感知器 ……………………………………………………………………… 049
2. 5 支持向量机 …………………………………………………………………………… 053
2. 5. 1 线性 SVM ………………………………………………………………………… 053
2. 5. 2 非线性 SVM ……………………………………………………………………… 056
参考文献……………………………………………………………………………………… 057
第3 章 迁移学习基本方法 ……………………………………………………………… 059
3. 1 基于样本迁移学习 …………………………………………………………………… 059
3. 1. 1 基于样本迁移基本思想 ………………………………………………………… 059
3. 1. 2 基于样本迁移经典方法 ………………………………………………………… 060
3. 2 基于特征迁移学习 …………………………………………………………………… 067
3. 2. 1 基于特征迁移基本思想 ………………………………………………………… 067
3. 2. 2 基于特征迁移经典方法 ………………………………………………………… 067
3. 3 基于模型迁移学习 …………………………………………………………………… 072
3. 3. 1 基于模型迁移基本思想 ………………………………………………………… 072
3. 3. 2 基于模型迁移经典方法 ………………………………………………………… 072
3. 4 基于关系迁移学习 …………………………………………………………………… 078
3. 4. 1 基于关系迁移基本思想 ………………………………………………………… 078
3. 4. 2 基于关系迁移经典方法 ………………………………………………………… 078
3. 5 异构迁移学习 ………………………………………………………………………… 080
3. 5. 1 同构迁移 ………………………………………………………………………… 080
3. 5. 2 异构迁移 ………………………………………………………………………… 080
参考文献……………………………………………………………………………………… 082
第4 章 深度迁移学习 …………………………………………………………………… 085
4. 1 深度神经网络基础 …………………………………………………………………… 085
4. 1. 1 卷积神经网络 …………………………………………………………………… 085
4. 1. 2 生成对抗网络 …………………………………………………………………… 092
4. 1. 3 网络优化 ………………………………………………………………………… 095
4. 2 深度神经网络微调迁移 ……………………………………………………………… 099
4. 2. 1 网络微调基本思想 ……………………………………………………………… 099
4. 2. 2 网络微调经典方法 ……………………………………………………………… 099
4. 2. 3 网络微调性能分析 ……………………………………………………………… 106
4. 3 深度神经网络自适应迁移 …………………………………………………………… 108
4. 3. 1 网络自适应迁移基本思想 ……………………………………………………… 108
4. 3. 2 网络自适应迁移经典方法 ……………………………………………………… 108
4. 3. 3 网络自适应迁移性能分析 ……………………………………………………… 112
4. 4 深度神经网络对抗迁移 ……………………………………………………………… 114
4. 4. 1 网络对抗迁移基本思想 ………………………………………………………… 114
4. 4. 2 对抗迁移经典方法 ……………………………………………………………… 115
4. 4. 3 网络对抗迁移性能分析 ………………………………………………………… 124
参考文献……………………………………………………………………………………… 126
第5 章 其他迁移学习 …………………………………………………………………… 131
5. 1 部分域适应 …………………………………………………………………………… 131
5. 1. 1 部分域适应基本思想 …………………………………………………………… 131
5. 1. 2 部分域适应经典方法 …………………………………………………………… 132
5. 1. 3 性能分析 ………………………………………………………………………… 140
5. 2 开集域适应 …………………………………………………………………………… 143
5. 2. 1 开集域适应基本思想 …………………………………………………………… 144
5. 2. 2 开集域适应经典方法 …………………………………………………………… 145
5. 2. 3 性能分析 ………………………………………………………………………… 150
参考文献……………………………………………………………………………………… 152
第6 章 迁移学习在动作识别中的应用 ……………………………………………… 155
6. 1 动作识别介绍 ………………………………………………………………………… 155
6. 2 动作识别基本方法 …………………………………………………………………… 155
6. 2. 1 动作特征提取 …………………………………………………………………… 155
6. 2. 2 动作分类 ………………………………………………………………………… 158
6. 2. 3 动作识别深度模型 ……………………………………………………………… 159
6. 3 迁移学习动作识别 …………………………………………………………………… 162
6. 3. 1 自适应多核学习动作识别 ……………………………………………………… 163
6. 3. 2 多语义分组域适应动作识别 …………………………………………………… 166
6. 3. 3 生成对抗学习动作识别 ………………………………………………………… 175
参考文献……………………………………………………………………………………… 183
第7 章 迁移学习在目标检测中的应用 ……………………………………………… 190
7. 1 目标检测介绍 ………………………………………………………………………… 190
7. 2 目标检测经典方法 …………………………………………………………………… 191
7. 3 迁移学习目标检测方法 ……………………………………………………………… 194
7. 3. 1 域适应目标检测 ………………………………………………………………… 194
7. 3. 2 渐进域适应弱监督目标检测 …………………………………………………… 196
7. 4 常用数据集 …………………………………………………………………………… 198
7. 4. 1 PASCAL VOC 数据集 …………………………………………………………… 198
7. 4. 2 Cityscapes 数据集和 Foggy Cityscapes 数据集 ………………………………… 200
7. 4. 3 Clipart1k 数据集 ………………………………………………………………… 202
7. 4. 4 KITTI 数据集 …………………………………………………………………… 203
7. 4. 5 SIM 系列数据集 ………………………………………………………………… 205
7. 4. 6 目标检测评价指标 ……………………………………………………………… 205
7. 5 方法性能分析 ………………………………………………………………………… 206
7. 5. 1 域适应目标检测结果 …………………………………………………………… 206
7. 5. 2 渐进域适应弱监督目标检测结果 ……………………………………………… 207
参考文献……………………………………………………………………………………… 208
第8 章 迁移学习在语义分割中的应用 ……………………………………………… 211
8. 1 语义分割介绍 ………………………………………………………………………… 211
8. 2 语义分割经典方法 …………………………………………………………………… 212
8. 3 迁移学习的语义分割方法 …………………………………………………………… 213
8. 3. 1 基于全局和局部对齐的域适应语义分割 ……………………………………… 214
8. 3. 2 双向学习的域适应语义分割 …………………………………………………… 216
8. 4 常用数据集 …………………………………………………………………………… 219
8. 4. 1 GTA5 数据集……………………………………………………………………… 219
8. 4. 2 SYNTHIA 数据集 ………………………………………………………………… 220
8. 4. 3 语义分割评价指标 ……………………………………………………………… 221
8. 5 方法性能分析 ………………………………………………………………………… 222
8. 5. 1 基于全局和局部对齐的域适应语义分割方法结果 …………………………… 222
8. 5. 2 双向学习的域适应语义分割方法结果 ………………………………………… 225
|
| 內容試閱：
|
机器学习是人工智能的一种主要实现途径， 其主要研究如何让计算机模拟人类的学习行为， 从数据中获取新的知识或技能， 并重新组织已有的知识结构使之不断改善自身能力。传统机器学习方法依赖于大量带标签数据， 且假设训练数据和测试数据来自相同的数据分布。然而， 收集足够的训练数据通常是昂贵且耗时的， 甚至在有些实际应用场景中是无法实现的。同时， 随着时间的推移， 新采集的测试数据不可能完全服从与训练数据相同的数据分布。在此背景下， 迁移学习应运而生， 其主要解决如何减少训练数据的标注代价， 将在已标注数据域学习的模型有效迁移至新的无标注数据域， 使之适应于目标数据域的任务。
自1995 年机器学习领域中的迁移学习概念首次被提出， 到1998 年迁移学习研究领域的正式形成， 再到2005 年迁移学习的重新定义， 再到现在基于深度神经网络的迁移学习， 迁移学习引起了越来越多研究人员的关注。迁移学习的思想同样被其他机器学习方法所借鉴， 如主动学习、在线学习、度量学习和强化学习。由于其出色的知识迁移和模型适应能力， 迁移学习在图像识别、目标检测、情感分类、语音识别、推荐系统等诸多实际场景中具有广泛的应用。然而， 迁移学习所涉及的具体任务、面临的研究难点以及采取的问题解决思路呈现多样性， 导致迁移学习方法门类众多、研究成果分散， 不利于初学者在短时间内系统地掌握这方面的理论、方法和技术。因此， 本书对迁移学习的基本方法进行归纳、总结， 同时尽量挑选具有代表性的经典方法和具有应用性的研究成果来进行介绍， 以求兼顾内容的基础性和实用性。
本书分为8 章。第1 章为绪论， 概述机器学习以及阐述迁移学习的基本概念、方法分类、发展历史及与之相关的其他学习方法。第2 章简单介
绍迁移学习的相关基础知识。第3 章分别介绍了基于样本、基于特征、基于模型、基于关系这四类迁移学习的基本方法。第4 章介绍基于深度神经
网络的迁移学习方法， 重点阐述神经网络自适应迁移和神经网络对抗迁移这两类方法。第5 章介绍更加实用的其他迁移方法， 包括部分域适应方法
和开集域适应方法。第6 ~8 章分别介绍迁移学习在动作识别、目标检测、语义分割中的应用。
本书由吴心筱、王晗和武玉伟共同编写。部分内容由研究生参与撰写， 他们是陈谨、张婷婷、刘祎程、闻子涵、伊嘉诚、滑蕊、李彤、李天宇。在此感谢学生们的辛勤劳动和付出。由于作者水平有限， 书中难免存在不足， 恳请同行专家和广大读者批评指正。欢迎读者来信勘误和交流。本书可供从事机器学习、模式分类、人工智能以及相关领域研究和应用的技术研发人员参考， 也可作为相关专业的高年级本科生和研究生的教材。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
