{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,4,13]]，“日期-时间”：“2024-04-13T12:12:31Z”，“时间戳”：1713010351366}，“参考-计数”：56，“出版商”：“计算机协会（ACM）”，“问题”：“2”，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“自然科学基金会”中国”，“doi-asserted-by”：“crossref”，“award”：[“61906060 and 91746209”]}，{“name”：“中国国家重点研发计划”，“adward”：【“2016YFB1000901”】}，}“name“：”教育部“，”award“：[“IRT17R32”]}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[”acm Trans.Knowl.Disco v.数据“]，“published-print”：{“date-parts”：[[2021,4,30]]}，“abstract”：“深度学习旨在为图像数据集中的表示学习取得优异的性能。然而，有监督的深度学习模型（如卷积神经网络）需要大量的标记图像数据，这在应用中很难解决，而无监督的深层学习模型（例如堆叠去噪自动编码器）无法利用标记信息。同时，图像数据的冗余会导致上述模型的表示学习性能下降。为了解决这些问题，我们提出了一种称为堆叠卷积稀疏自动编码器的半监督深度学习框架，该框架可以用较少的标记数据记录从图像数据中学习鲁棒的稀疏表示。更具体地说，框架是由堆叠层构成的。在每一层中，较高层的特征表示是由较低层的特征以卷积的方式生成的，核由稀疏自动编码器学习。同时，为了解决数据冗余问题，设计了重构独立分量分析算法，对块进行训练，使输入数据球形化。标签信息使用Softmax回归模型进行编码，用于半监督学习。在这个框架中，通过从图像数据进行图层映射来学习更高级别的表示。它可以提高基本后续分类器（如支持向量机）的性能。大量实验表明，与几种最先进的表示学习方法相比，我们的框架具有优越的分类性能<\/jats:p>“，”DOI“：”10.1145\/3434767“，”type“：”journal-article“，”created“：{”date-parts“：[[2021,3,5]]，”date-time“：”2021-03-05T11:11:56Z“，”timestamp“：1614942716000}，”page“：标题“：[”用于表征学习的堆叠卷积稀疏自动编码器“]，”前缀“：”10.1145“，”卷“：”15“，”作者“：[{”ORCID“：”http://\/ORCID.org\/00000-0003-3045-2588“，”authenticated-ORCID“：false，”给定“：”Yi“，”family“：”Zhu“family“：”Li“，”sequence“：”additional“，”affiliation“：[{”name“：”中国合肥工业大学“}]}，{”given“：”Xindong“，“family”：“Wu”，“sequence”：“additional”，“affiliation:[{“name”：”Mininglamp Sciences，Minininglamp and Key Laboratory of Knowledge Engineering with Big Data（合肥工业大学），教育部，中国合肥“}]}”，“成员”：“320”，“在线发布”：{“date-parts”：[[2021,3,5]]}，“参考”：[{“key”：“e_1_1_1”，“doi-asserted-by”：“publisher”，”doi“：“10.5555\/648029.745336”}，{“密钥”：“e_1_2_1_1_1”，85.002203“}，{”key“：”e_1_2_1_3_1“，”doi-asserted-by“：”publisher“，“DOI“：”10.1561\/2200000006“}，{“key”：“e_1_2_1_4_1”，“unstructured”：“Yoshua Bengio Yann LeCun和Donnie Henderson，1993。使用空间表示卷积神经网络和隐马尔可夫模型的全局训练手写词识别器。神经信息处理系统进展。937--944. Yoshua Bengio Yann LeCun和Donnie Henderson。1993年。使用空间表示卷积神经网络和隐马尔可夫模型的全球训练手写词识别器。神经信息处理系统进展。937-944.“}，{”key“：”e_1_2_1_5_1“，”volume-title“：”机器学习国际会议.11-118“，”author“：”Boureau Lan“，“年份”：“2010”}，“key”：“e_1_i_1_6_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1007\/978-3319-46493-0_22“}”，{作者“：”陈敏敏“，”年份：“2012”}，{“key”：“e_1_1_8_1”，“doi-asserted-by”：“publisher”，”doi“：“10.24963\/ijcai.2019\/293”}“，”author“：”Donahue Jeff“，”year“：”2014“}，{“key”：“e_1_1_11_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/TCYB.2016.2536638“}”，{”key“：”e_1_i_12_12_1“，”doi-assert-by“：”publisher“，“doi”：“10.1145\/3292500.3330673”}，“key“”：“e_12_1_13_1”、“volume-title”：“Fast R-CNN.In IEEE Conference on Computer Vision”和模式识别。1440--1448“，“作者”：”Girshick Ross“，”年份“：“2015”}，{“key”：“e_1_2_1_14_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/CVPR.2014.81“}，”key“：”e_1_i_15_1“，”doi-assert-by“：”publisher“，“doi”：“10.1007\/978-3319-46672-9_10”}\/j.asoc.2018.03.032“}，{“key”：“e_1_2_1_17_1”，“volume-title”：“屏蔽R-CNN。在IEEE计算机视觉和模式识别会议上。2980--2988“，”author“：”He Kaiming“，”year“：”2017“}，{”key“：”e_1_1_18_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR.2016.90”}，“key”：“e_1_i_1_19_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/CVPR.2019.0065“}”，{“doi”：“10.1109\/CVPR.2015.7299149”}，{“key”：“e_1_2_1_21_1”，“doi-asserted-by”：“publisher“，”DOI“：”10.1162\/neco.2006.18.7.1527“}，{“key”：“e_1_2_1_22_1”，“volume-title”：“LSDA：通过适应进行大规模检测。神经信息处理系统进展。3536--3544.”，“author”：“Hoffman Judy”，“year”：“2014”}，“key“：”e_2_2_123_1“，“DOI-asserted-by”：“publisher”，”DOI:“10.1609\/aaaai.v34i04.5833”}“，{”key“：”e_1_2_1_24_1“，”volume-title“：”Hinton“，”author“：”Krizhevsky Alex“，”year“：”2012“}，{“key”：“e_1_cu1_25_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/72.554195“}”，{”key“：”e_2_2_26_1“、”doi-assert-by“：”publisher“，非结构化“：”Quoc V.Le Alexandre Karpenko Jiquan Ngiam和Andrew Ng.2011。具有重建成本的独立分量分析，用于有效的超完备特征学习。神经信息处理系统进展。1017年至1025年。Quoc V.Le Alexandre Karpenko Jiquan Ngiam和Andrew Ng.2011。具有重建成本的独立分量分析，用于有效的超完备特征学习。神经信息处理系统进展。1017--1025.“}，{”key“：”e_1_2_1_28_1“，”首页“：”1995“，”article-title“：”图像、语音和时间序列的卷积网络“，”volume“：“3361”，”author“：”LeCun Yann“，“year”：“1995”，“journal-title”：“The Handbook of Brain Theory and Neural networks”}，“key”：“e_1_i_1_29_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/5.726791“}”，{“键“：”e_1_2_1_30_1“，“volume-title”：“表征学习挑战研讨会，机器学习国际会议。2-8.“，”author“：”Lee Dong-Hyun“，”year“：”2013“}，”{“key”：“e_1_1_31_1”，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/1553374.1553453”}，“key“：”e_1_i_1_32_32_1“，serted-by“：”publisher“，”doi“：”10.1002\/aic.12419“}，{“key”：“e_1_1_34_1”，“doi-asserted-by”：“publisher”，”doi“：”10.18653\/v1\/D19-1488“}”，{”key“：”e_1_i_1_35_1“，”doi-assert-by“：”publisher“，42-21735-7_7“}，{”key“：”e_1_2_1_37_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR.2009.5206577“}，{“key”：“e_1_2_1_38_1”，“doi-asserted-by”：“publisher”、“doi”：“10.1109\/CVPR.2014.222”}、{“密钥”：“e_1_2_1_40_1”、”doi-assert-by“：”publisher“，”doi“：”10.1016\/j.measurement.2016.007“}007\/978-3-642-15567-3_11“}，{“键”：“e_1_2_1_42_1”，“doi-asserted-by”：“publisher“，”DOI“：”10.5555\/1756006.1953039“}，{“key”：“e_1_1_43_1”，“volume-title”：“The World Wide Web Conference.2022--2032”，“author”：“Wang Xiao”}，“key“：”e_1_cu1_44_1“，“DOI-asserted-by”：“publisher”，”DOI:“10.1007\/978-3319-66179-7_54”}、{“key”：”e_ 2_1_45_1“、“DOI-sserted-by“：”publisher，“DOI”I“：”10.1109\/CVPR.2019.00985“}，{“键”：“e_1_2_1_46_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1109\/TIP.2015.2510498“}，{“key”：“e_1_1_47_1”，“volume-title”：“IEEE计算机视觉和模式识别会议.1794--1801”，“author”：“杨建超”，“year”：“2009”}，“key“：”e_2_1_48_1“，_1“，”卷标题“：”国际图像处理会议。338--341“，“作者”：“Minerva”}，{“key”：“e_1_2_1_50_1”，“非结构化”：“雷克斯·英嘉轩·尤·克里斯托弗·莫里斯·香·任·威尔·汉密尔顿和朱尔·莱斯科维奇，2018。具有可微池的层次图表示学习。神经信息处理系统进展。4800年至4810年。雷克斯·英嘉轩、尤·克里斯托弗·莫里斯·向仁、威尔·汉密尔顿和尤尔·莱斯科维奇。2018.具有可微池的层次图表示学习。神经信息处理系统进展。4800--4810.“}，{”key“：”e_1_1_51_1“，”volume-title“：”IEEE计算机视觉会议.4471--4480“，“author”：“Yu Jiahui”}，“key”：“e_2_1_52_1”，“volume-title”：“欧洲计算机视觉会议.818-833”，“author”：“Matthew”}、{”key“：“e_c_2_1_53_1”、“volume-title”：”第25届ACM SIGKDD知识发现和数据挖掘国际会议。793--803“，”author“：”Zhang Chuxu“}，”key“：”e_1_1_54_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TGRS.2014.2337883”}，“key”：“e_1_i_1_55_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/j.knosys.2018.04.010“}”，1-1146“，“作者”：“庄福珍”，“年份”：“2016”}，{“key”：“e_1_2_1_57_1”，“unstructured”：“Will Zou Shenghuo Zhu Kai Yu和Andrew Ng.2012。通过视频中的模拟注视深度学习不变特征。神经信息处理系统进展。3203年至3211年。Will Zou Shenghuo Zhu Kai Yu和Andrew Ng，2012年。通过视频中的模拟注视深度学习不变特征。神经信息处理系统进展。3203--3211.“}]，”container-title“：[”ACM Transactions on Knowledge Discovery from Data“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3434767“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]“deposed”：{“date-parts”：[2023,1]]，“日期时间”：“2023-01-01T19:45:38Z“，”timestamp“：1672602338000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3434767”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2021,3,5]]}，‘references-count’：56，‘journal-issue’：{‘issue’：“2”，‘published-print’：{'date-part rts“：[[2021,4,30]]}}，”alternative-id“：[”10.1145\/3434767“]，”URL“：”http:\/\/dx.doi.org\/10.1145\/3434767“，”关系“：{}，”ISSN“：[”1556-4681“，”1556-472X“]，”ISSN-type“：[{”value“：”1556-481“，”type“:”print“}，{”value“：9-10-01“，”order“：0，”name“：”received“，”label“：”received“，“group”：{“name”：“publication_history“，”label“：”publication history“}}，”value“：”2020-11-01“，”order“：1，”name“：”accepted“，”tabel“：“accepted”，“group”：{“name”：“publication_history”，“label”：“publication-history”}，{“value”：“2021-03-05”，“order”：2，”name：“published”，”label:“published”，”group“：