【《基于深度学习的寄递物品安检问题研究国内外文献综述》2900字】

基于深度学习的寄递物品安检问题研究国内外文献综述1.1寄递物品安检研究现状在世界反法西斯战争后，全世界踏入飞速发展期，人类文明开始进入科技创新时代，各种先进科学技术飞速发展、X射线透视成像技术也逐步成熟，然而随着经济社会的快速发展、人类面临的各种危险挑战也越来越多、越来越复杂多样、特别是在“9.11事件”之后，世界各国对物品安检技术极其关注，目前x射线图像中违禁物品的识别和检测高度依赖于操作者及其在x射线图像解读方面的能力，在一些人口密集的车站以及货物运输频繁大型港口地方对违禁物品的识别检测就容易发生漏查、误查等状况REF_Ref18090\r\h[2]。近几年随着计算机网络技术的迅速发展，寄递物品运输行业发展也越加迅速，在正常视检中很难保证每一个快递员都能准确无误的检查到违禁物品，所以这项规定并未实施到位。为了解决违禁寄递物品问题，国家邮政局明文规定寄递企业需要购买装置寄递物品安检机，截至当下，三通一达以及顺丰等快递公司都已经在寄递物品流通运输过程中装备了安检机，保障了快递运输的安全，然而因为存在一些人为因素和其他因素的影响，比如在工作量大的快递站或者运输途中，快递员无法逐一审查每一个快递包裹，导致快递包裹漏查、误查现象。目前快递行业已经发展到机械化、自动化阶段，这就对违禁寄递物品检测需求更加注重。1.2小样本关联学习的国内外研究历史与现状深度学习的优势是基于大数据。在大数据发展的推动下，机设备能开始高效学，但数据的缺会引起模型的过度拟合等问题。虽然常用的数据加强（Data，Augmentation，DA）和正则化技术能有效地解决部分问题，但这一问题还没有完全解决，因此针对小样本集的小样本学习成为解决这类问题的关键技术。21世纪初，李飞飞教授第一次提出来了一次性学习，并用贝叶斯框架来学习视觉对象。与之相比，深度学习技术在小样本图像分类任务中具有很大的发展前景。小样本学习的发现有两个原因。首先是训练数据量太小。例如，在物流领域，物流安全图像的产生来源于快递，通常少量的物体无法辅助机器对物流案例图像进行分析。二是教机器以人类学习的方式学习，即仿人学习。人类具有在样本不足的情况下对小样本进行分类识别的能力，具有快速吸收，解析新知识概念并加以概括的能力。这是小样本学习的目的之一，即让机器以人类学习的方式完成任务。小样本学习在目标识别，图像分割，图像分类与检索等图像处理任务中有着特殊的应用。本文从样本数，标记样本数，先验知识的作用等不同角度对小样本学习技术进行了分类讨论和分析REF_Ref181\r\h[3]。在二十一世纪一十年代，大多数的文献利用语义迁移来处理训练样本缺乏的现象。比如，MensinkREF_Ref181\r\h[3]等人借鉴了聚类和度量学习的方法对ImageNet数据集进行分类，并且探索了K-NearestNeighbor(KNN)和NearestClassMean(NCM)分类器，利用对每个不同的类别的语义描述，学习了解一个度量，将其在训练和测试类别之间实现数据共享，这样就可以达到迁移效果。在人工智能的发展兴起时候，小样本学习也是同时兴起，但是在人工智能发展遇到瓶颈时候，小样本学习发展也并不是很顺利，从人工智能出现到现在为止，我们可以按照时间和中间出现的突破性的算法革新将整个小样本学习发展的实践分为三个时期：第一个时期是古老的算法时期、第二个时期是贝叶斯算法时期和最后并且现在正在蓬勃兴起的神经网络算法时期REF_Ref19742\r\h[4]，如图1-2有关违禁寄递物品的小样本关联学习方法发展的时间线所示。图1-2小样本学习发展的时间线1.3多标签增量学习的国内外研究研究与现状很久以前在多标签分类刚出现的时候，其研究主要精力和方向都集中在文字和文本的分类问题上。在近代时期，由于二零一五年掀起了一股人工智能浪潮，而对于基于多标签增量学习受到了大量相关多标签领域学者的广泛研究。并且其广泛应用于机器或者其他生物故障诊断、多媒体图像主动标注、动物或者人类信息标签分类、一些普通的规则挖掘、还有智能的信息的检索、网络挖掘、关键字显示、图像分类等领域REF_Ref19742\r\h[4]。于此之时，在机器学习有关论坛上含有很多有关于多标签增量学习的论文。一个方面，因为再次成为研究热点的机器学习，使得多标签增量学习作为机器学习的附加研究方向更是收到了相关研究者的讨论。另一个方面，更加有意义的是，多标签增量学习的核心内容更符合如今客观世界的发展规律。任何存在于自然界的物体的属性都是多标签性质的，任何存在于自然界的对象都需要从不同的研究思考角度去定义。与经典的单标签学习不一样的是，在多标签增量学习研究中，违禁寄递物品x光图像样本和违禁寄递物品标签并不是简单的一对一的纯一关系，而是一对多的繁杂关系，也就是说一个违禁寄递物品x光图像例子对应一组不同类别违禁寄递物品的标签，不同违禁寄递物品的类别的标签之间同样含有着复杂的难以理清楚的关系REF_Ref21179\r\h[5]。在正常的研究中，想要解决违禁寄递物品x光图像多标签如何标记的问题，最简单的处理思路就是将违禁寄递物品的一个研究对象和违禁寄递物品的一组相应的标记使之关联起来。由此可知，与以前流行的监督学习违禁寄递物品的分类标注问题不一样的是，学习训练违禁寄递物品x光图像的对象由一个违禁寄递物品x光图像样本表示，但是其的违禁寄递物品的标签却是由一组标签集来准确表示。因此，根据违禁寄递物品数据的多标签特性，有关违禁寄递物品的多标签增量学习变成了一个火热的研究方向，大量的自适应算法被提出来学习违禁寄递物品的多标签数据。在经典的的监督学习中，每个违禁寄递物品的样本只有一个违禁寄递物品标签，如图1-3显示的是违禁寄递物品的单标签与多标签机器学习示例。从违禁寄递物品单标签分类的角度来看，经典的有关于违禁寄递物品的监督学习仅仅当作是一种新颖的违禁寄递物品多标签增量学习。因此，违禁寄递物品多标签增量学习是一种大众化的监督学习问题，也就是说更加难以解决。在现实生活中，违禁寄递物品多标签增量学习问题的关键在于违禁寄递物品x光图像的标签空间不再是一维的，而是多维的，如图1-3显示的是违禁寄递物品的单标签与多标签机器学习示例。随着违禁寄递物品标签数量的增加，违禁寄递物品标签集或标签组合的数量呈指数级增长，导致高维传递出的空间变得极大。图1-3单标签与多标签机器学习示例参考文献曹晋博.X光机安检图像违禁物品的识别[D].西北师范大学,2017.Gao,Q(Gao,Qiang).AConvolutionalNeuralNetworkforAirportSecurityInspectionofDangerousGoods.2018刘颖,雷研博,范九伦,王富平,公衍超,田奇.基于小样本学习的图像分类技术综述[J].自动化学报,2021,47(02):297-315.朱怀涛.面向小样本的多标签分类方法与应用研究[D].电子科技大学,2020.张居杰.多标签学习中关键问题研究[D].西安电子科技大学,2016.国家邮政局公安部国家安全部关于发布《禁止寄递物品管理规定》的通告李文斌.基于度量的小样本图像分类[D].南京大学,2019.赵凯琳,靳小龙,王元卓.小样本学习研究综述[J].软件学报,2021,32(02):349-369.HospedalesTimothyM,AntoniouAntreas,MicaelliPaul,StorkeyAmosJ.Meta-LearninginNeuralNetworks:ASurvey.[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2021,PP.李凡长,刘洋,吴鹏翔,董方,蔡奇,王哲.元学习研究综述[J].计算机学报,2021,44(02):422-446.朱应钊,李嫚.元学习研究综述[J].电信科学,2021,37(01):22-31.杨培伟,周余红,邢岗,田智强,许夏瑜.卷积神经网络在生物医学图像上的应用进展[JOL].计算机工程与应用1-25[2021-01-12]李卫.深度学习在图像识别中的研究及应用[D].武汉理工大学,2014RuiyingGeng.InductionNetworksforFew-ShotTex