《正则化深度学习及其在机器人环境感知中的应用》PDF下载

  • 购买积分:8 如何计算积分?
  • 作  者:刘勇,廖依伊著
  • 出 版 社:北京:科学出版社
  • 出版年份:2018
  • ISBN:9787030594266
  • 页数:132 页
图书介绍:深度学习技术在图像分析、语音识别、自然语言理解等难点问题中都取得了十分显著的应用成果。然而该技术在机器人感知领域的应用相对而言仍然不够成熟,主要源于深度学习往往需要大量的训练样本来避免过拟合、提升泛化能力,从而降低其在测试样本上的泛化误差,而机器人环境感知中涉及的任务与环境具有多样化特性,且严重依赖于机器人硬件平台,因而难以针对机器人各感知任务提供大量标注样本;其次,对于解不唯一的病态问题,即使提供大量的训练数据,深度学习方法也难以在测试数据上提供理想的估计,而机器人感知任务中所涉及的距离估计、模型重构等问题就是典型的病态问题,其输入中没有包含对应到唯一输出的足够信息。针对上述问题,本书以提升深度学习泛化能力为目标、以嵌入先验知识的正则化方法为手段、以机器人环境感知为应用背景展开研究,具体取得了以下四个方面的创新性研究成果:(1)提出约束隐层特征表示的图正则自编码器。(2)提出约束深度神经网络结构的语义正则网络。(3)提出约束深度神经网络结构的嵌套残差网络。(4)提出约束网络输出的深度移动立方体网络。对于上述提出的关键技术,本书在多种机器人环境感知任务上设计了定量与定性实验,在多个数据

第1章 绪论 1

1.1 背景和意义 1

1.2 问题与挑战 2

1.2.1 深度学习问题描述 2

1.2.2 深度学习的挑战 3

1.2.3 机器人环境感知 4

1.3 研究现状 5

1.3.1 深度学习发展 6

1.3.2 深度学习与正则化 7

1.3.3 深度学习在机器人环境感知的应用 10

1.4 本书组织结构 11

第2章 隐层正则约束:图正则自编码器 13

2.1 引言 13

2.2 图正则自编码器 14

2.2.1 自编码器 15

2.2.2 单隐层图正则化自编码器 16

2.2.3 栈式图正则化自编码器 18

2.2.4 近邻图构造 18

2.2.5 模型训练 19

2.3 图正则化理论分析 21

2.3.1 图正则项对于输入空间的邻域特性建模 23

2.3.2 图正则项对于隐层表示的影响 24

2.3.3 图正则项与其他正则项的关系 26

2.4 图像聚类与分类实验结果 27

2.4.1 图像聚类实验 27

2.4.2 图像分类实验 34

2.5 广义图正则化与场景分类 39

2.5.1 广义图正则自编码器 40

2.5.2 多层级输入构造以及结果融合 41

2.6 场景分类实验结果 46

2.7 本章小结 49

第3章 结构正则约束:语义正则网络 51

3.1 引言 51

3.2 语义正则卷积神经网络 53

3.2.1 卷积神经网络 53

3.2.2 语义正则下的场景分类网络 55

3.2.3 输入构造 59

3.3 基于场景类别的语义分割优化 59

3.4 实验结果 61

3.4.1 实验配置 62

3.4.2 语义正则结构有效性验证 62

3.4.3 场景分类结果 64

3.4.4 语义分割优化结果 66

3.4.5 数据集外场景测试结果 68

3.5 本章小结 70

第4章 结构正则约束:嵌套残差网络 71

4.1 引言 71

4.2 嵌套残差网络 73

4.2.1 稠密参考深度构造 73

4.2.2 结构正则化的嵌套残差网络 77

4.2.3 代价函数 79

4.3 实验结果 80

4.3.1 实验配置 81

4.3.2 结构正则化有效性验证 82

4.3.3 深度估计结果对比 84

4.3.4 输入稀疏观测与输出置信度分析 88

4.4 本章小结 90

第5章 输出正则约束:深度移动立方体网络 91

5.1 引言 91

5.2 深度移动立方体算法 94

5.2.1 移动立方体算法 94

5.2.2 可导移动立方体层 97

5.2.3 网络结构 99

5.3 正则化深度移动立方体网络 100

5.3.1 点到物体表面距离 101

5.3.2 占用概率先验正则 101

5.3.3 网格模型复杂度正则 102

5.3.4 网格模型曲率正则 102

5.4 实验结果 103

5.4.1 模型及正则项验证 103

5.4.2 基于点云的三维物体重构 107

5.4.3 基于体素模型的三维物体重构 111

5.5 本章小结 113

第6章 总结与展望 114

6.1 本书总结 114

6.2 未来工作展望 115

参考文献 116

相关发表文章 132