声明
1 绪论
1.1 课题研究背景
1.2 课题研究的目的和意义
1.3 国内外研究现状
1.3.1 深度学习研究现状
1.3.2多标签分类和排名技术的研究现状
1.3.3 类别不平衡学习的研究现状
1.4 论文主要研究内容
1.5 论文组织结构
2 相关技术
2.1 基于深度学习的图片特征提取
2.1.1 卷积计算
2.1.2 残差网络
2.2 多类与多标签分类
2.2.1 交叉熵损失
2.2.2交叉熵损失在多类与多标签分类下的应用
2.3 类别不平衡学习与难例挖掘
2.3.1 焦点损失
2.3.2 梯度平衡机制
2.3.3硬性降采样和软性加权
2.4 本章小结
3 噪声统计方案
3.1 推断倾向与样本预测
3.2 噪声统计
3.2.1 通过输入随机噪声样本测量模型的推断倾向
3.2.2类别不平衡不只来源于样本比例不均衡
3.2.3 定量分析推断倾向
3.3 即时噪声统计
3.3.1 噪声统计方法的开销问题
3.3.2 指数滑动平均
3.4 本章小结
4 基于噪声统计的交叉熵改进方法
4.1 交叉熵损失的期望极值点
4.2 期望极值平移
4.3 噪声样本约束
4.4 本章小节
5 实验与结果分析
5.1 实验介绍
5.1.1 对比方法和评价指标
5.1.2数据集简介
5.1.3设备模型与参数设定
5.2 结果与分析
5.2.1 Microsoft COCO 2014
5.2.2 NUS-WIDE
5.2.3 DeepFashion
5.3 超参数敏感性分析
5.4 本章小结
6 总结与展望
6.1 论文工作总结
6.2 进一步研究方向
致谢
参考文献
附录1 攻读硕士学位期间研究成果