论文信息

整体思路：

·无监督学习

			根据源域样本特征对其进行训练，以便根据源域样本获得网络的权重。然后，将源域DBN的结构和参数转移到目标域，
		并使用目标域样本对网络参数进行微调，以获取目标域训练样本与无缺陷模板之间的映射关系。最后，通过与重建图像进行比较来检测测试样品的缺陷。

优点：通过参数传递学习解决DBN网络训练中的过拟合问题。通过迁移学习，可以解决样本不够的问题，并且可以通过两种样本相互交叉传递，微调，不断提高准确率。

缺点：能检测相同位置的产品缺陷，而没有平移和旋转不变性。

·DBN (Deep Belief Network–深度信任网络)

Restricted Boltzmann Machine（RBM）

由可见层和隐藏层组成。 
	可见层单元主要用于描述观测数据的一个方面或特征(显示特征)
	隐藏层单元（也称为特征提取层）通常含义不清，可用于获取与可见层相对应的变量之间的依赖关系（提取特征）

BM可以定义一个能量函数，以便参数空间中的每种情况都有对应的标量能量，这意味着该能量函数是从参数空间到能量的映射。 假设RBM具有n个可见单元 v = (v1,v2,…,vn)，m个隐藏单元h=(h1,h2,…,hm)，并且给出了一组状态(v,h)，则能量 函数RBM可以由公式（1）定义为

其中ai是可见层的bias，v是第i个可见单元，vi是第i个可见单元的状态；bj是隐藏层的bias，h是第j个隐藏单元，hj是第j个隐藏单元的状态；wij表示可见单元vi和隐藏单元hj之间的连接权重

基于（1）中定义的能量函数，状态（v,h）的联合概率分布可以由公式（2）定义为：

其中Z是归一化常数（也称为分区函数）

对于实际问题，在给出训练样本后需要对RBM进行训练，以使RBM表示的概率分布尽可能与训练数据一致。 RBM训练意味着通过调整RBM参数Wij，ai，bj来拟合给定的训练数据。 假设训练样本集为S = {v1，v2，…，vT}，其中T为训练样本数，则将对数似然方程（5）的最大值设置为RBM训练目标：

RBM Training

DBN Training

Transfer Learning

具体训练过程

3.2 Construction and Training of Source Problem Domain DBN

3.3 DBN Parameter Transfer

3.4 Defect Recognition and Detection

实验结果

最后

以上就是着急唇彩为你收集整理的《Defects Detection Based on Deep Learning and Transfer Learning》-- 阅读笔记论文信息整体思路：具体训练过程实验结果的全部内容，希望文章能够帮你解决《Defects Detection Based on Deep Learning and Transfer Learning》-- 阅读笔记论文信息整体思路：具体训练过程实验结果所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。