毕业论文课题相关文献综述
一、引言机器学习是人工智能的核心领域，它能够通过计算手段从先验信息中获得泛化性能良好的数学模型，并完成预测、分类等学习任务。
然而，在信息爆炸的二十一世纪，多媒体平台、智能交通、视频监控等每时每刻都产生海量的图像数据，传统的机器学习方法并不能很好地满足人们的需求，在实时处理源源不断产生的图像数据方面劣势明显。
大数据时代的产物深度学习模型可以根据海量数据，持续不断地训练和更新相应的模型，使得模型具有良好的泛化性能[1-3]。
众所周知，深度学习模型的训练和更新依赖数据的标注，尽管海量的图像数据易于获取，但是这些数据往往只具备初级形态，标注数据需要耗费大量的人力和物力。
迁移学习是机器学习领域中用于解决标记数据难获取这一基础问题的重要手段，它通过减少源域和目标域之间的分布差异进行知识迁移，从而实现数据标定。
大量的研究表明从源域的大规模数据集中学习卷积神经网络的表示可以有效地迁移至新的目标域，其思想是学习目标和已有知识之间的关联性，把知识从已有的模型和数据中迁移至要学习的目标中。
迁移学习能够学习到领域无关的特征表达，这与深度学习不谋而合，将两者结合可以充分利用神经网络图像表征的能力，学习域不变的特征表示[4-5]。
二、实现过程分析深度学习已经进行了大规模的推广和应用，但在深度学习运用过程中，它也遇到了一些难以克服的困难。
深度学习方法的数据量十分庞大，运算一次的时间很长。
因而，它对于设备、硬件的要求十分地高，需要大设备来进行计算，运算成本高昂。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
