无监督论文主题分类

论文撰写的基本要求(一)论文写作必须坚持学术道德和写作规范，不得抄袭他人的文字或剽窃他人的研究成果，论文中除已注明部分外不包含他人已发表或撰写过的研究成果，对本文的研究工作做出重要贡献的个人和集体均应在文中注明，论文作者需要承担论文的法律后果。(二)理论与实际相结合，论文应有一定的学术价值，或具有实际意义和应用价值。对论文涉及的问题，作者应具有坚实的理论基础和系统的专业知识，掌握丰富的资料。 (三)论文在导师指导下独立完成，要有独立见解，或对学士界已提出的问题做出新的分析和论证，学术观点必须言之有理，逻辑严谨，文字顺畅。 (四)论文字数一般为2—4万字。专硕论文形式的基本要求(一)就事论理：是以某一单位(或项目)为研究对象，以某一专业问题为研究内容，在对所要研究的对象和内容进行介绍的基础上，将理论分析融入到对研究对象的研究之中。(二)就理论理：适合理论研究类，一般不适合专硕应用类研究生的学位论文。 (三)就理论事：通常是以理论研究为主线，在论文的各部分中以举例说明的形式与企业实际结合，或在系统研究理论的基础上，将研究结论应用于某一企业实际进行验证。针对专硕学生的特点，要求学位论文采用就事论理的表现形式，至少做到就理论事，以增强论文的应用价值。不提倡撰写就理论理的学位论文。

毕业论文类型很多，很多同学不是很清楚，像什么理论类论文，实践类论文，科技类论文等。由于每个人的选题方向不一样，对学科兴趣的差异，大家的论文类型可能也会不一样。1、 按照内容的性质和研究方法进行分类，可以分为理论型论文和叙述性论文。理性型论文又分为两种，一种是纯粹的抽象理论研究对象，研究方法主要是严密的理论推导和数学运算。当然其中也是进行实验的。只有实验才能验证论点的正确性，另一种是对客观事实和现象的调查，考察从而得到资料来作为研究对象。研究方法主要是对资料进行分析、综合、概括和分类。然后得出新的见解。2、按照议论文的性质进行分类，我们可以把论文分为立论文和驳论文。立论性的论文主要从正面论证自己的观点和主张，立论文需要论点鲜明，论据充分和严密。驳论性论文则是通过反驳他人的观点来佐证自己的论文主题。3、按照研究论文问题的大小进行分类，我们可以把毕业论文分为宏观论文和微观论文，对自然、科技、环境等进行研究分析的论文，成为宏观论文，对局部性问题进行分析研究的论文成为微观论文，他对具体的工作指导和影响会小一些。

LDA 是一种基于概率的生成式模型，所以在LDA的过程中会涉及到很多概率的知识，不太熟悉的话建议先学习概率知识。LDA在NLP中应用广泛，主要是用于主题模型(topic modeling)。 关于主题模型和主题分类的区别请参考

LDA的主要作用是通过soft clustering 的方式使得每个数据点属于不仅仅局限于一个聚类。这是和其他的聚类方式，如kmeans，pLSI不一样的地方。 另外LDA的soft clustering 允许分类的成分比较模糊，这样的好处是可以发现一些潜在的东西。

1.根据文档中的单词找到一个文档属于的主题。

1.找到属于某个文档的单词（这个是已经知道的） 2.找到属于某个主题的单词，或者单词属于某个主题的概率（这个是需要计算的）

对单词的概率得分进行排序，选取得分最高的top n来表示该主题的单词。或者也可以通过设定一个分数阈值来选取代表主题的单词。

1.扫描所有文档，随机给每个单词赋予 k 个主题中的一个（k个主题是提前设定的） 2.对于每个文档 d ，扫描每个单词 w 并且计算： （1） : 在文档d中属于主题t单词的比例。 得到在文档d中多少单词属于主题t。 （2） 主题t在所有的文档中来源于单词w的比例。 得到多少文档属于t是因为单词w。 LDA中文档是有多个主题混合而成，一个主题也是由多个单词混个而成。如果一个单词w很高几率属于主题t，那么含有这个单词w 的文档也会很大几率属于t。 3.更新属于主题t的单词w的概率

控制一个文档中主题的数量。alpha越大，文档中包含的主题越多。 控制每个主题中单词的数量。beta越大，主题中包含的单词就越多。 通常情况下，我们希望文档能够被清晰的表达成很少的几个主题，同时每个主题可以由几个关键的部分来表达。

reference:

雷锋网 AI 科技评论按： 百度研究院、华中科技大学、悉尼科技大学联合新作——关于无监督领域自适应语义分割的论文《 Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation》被 CCF A 类学术会议 CVPR2019 收录为 Oral 论文 。该论文提出了一种从「虚拟域」泛化到「现实域」的无监督语义分割算法，旨在利用易获取的虚拟场景标注数据来完成对标注成本高昂的现实场景数据的语义分割，大大减少了人工标注成本。 本文是论文作者之一罗亚威为雷锋网 AI 科技评论提供的论文解读。 论文地址： 1.问题背景 基于深度学习的语义分割方法效果出众，但需要大量的人工标注进行监督训练。不同于图像分类等任务，语义分割需要像素级别的人工标注，费时费力，无法大规模实施。借助于计算机虚拟图像技术，如3D游戏，用户可以几乎无成本地获得无限量自动标注数据。然而虚拟图像和现实图像间存在严重的视觉差异（域偏移），如纹理、光照、视角差异等等，这些差异导致在虚拟图像上训练出的深度模型往往在真实图像数据集上的分割精度很低。 2. 传统方法 针对上述域偏移问题，一种广泛采用的方法是在网络中加入一个域判别器Discriminator (D），利用对抗训练的机制，减少源域Source (S）和目标域Target（T）之间不同分布的差异，以加强原始网络（G）在域间的泛化能力。方法具体包括两方面： （1）利用源域的有标签数据进行有监督学习，提取领域知识： 其中Xs，Ys为源域数据及其对应标签。 （2）通过对抗学习，降低域判别器（D）的精度，以对齐源域与目标域的特征分布： 其中XT为目标域数据，无标签。 3.我们针对传统方法的改进 以上基于对抗学习的传统域适应方法只能对齐全局特征分布（Marginal Distribution），而忽略了不同域之间，相同语义特征的语义一致性（Joint Distribution），在训练过程中容易造成负迁移，如图2（a）所示。举例来说，目标域中的车辆这一类，可能与源域中的车辆在视觉上是接近的。因此，在没有经过域适应算法之前，目标域车辆也能够被正确分割。然而，为了迎合传统方法的全局对齐，目标域中的车辆特征反而有可能会被映射到源域中的其他类别，如火车等，造成语义不一致。 针对这一问题，我们在今年CVPR的论文中，向对抗学习框架里加入了联合训练的思想，解决了传统域适应方法中的语义不一致性和负迁移等键问题。具体做法见图2（b），我们采用了两个互斥分类器对目标域特征进行分类。当两个分类器给出的预测很一致时，我们认为该特征已经能被很好的分类，语义一致性较高，所以应减少全局对齐策略对这些特征产生的负面影响。反之，当两个分类器给出的预测不一致，说明该目标域特征还未被很好地分类，依然需要用对抗损失进行与源域特征的对齐。所以应加大对齐力度，使其尽快和源域特征对应。 4.网络结构 为了实现上述语义级对抗目标，我们提出了Category-Level Adversarial Network (CLAN)。 遵循联合训练的思想，我们在生成网络中采用了互斥分类器的结构，以判断目标域的隐层特征是否已达到了局部语义对齐。在后续对抗训练时，  网络依据互斥分类器产生的两个预测向量之差（Discrepancy）来对判别网络所反馈的对抗损失进行加权。网络结构如下图3所示。  图3中，橙色的线条表示源域流，蓝色的线条表示目标域流，绿色的双箭头表示我们在训练中强迫两个分类器的参数正交，以达到互斥分类器的目的。源域流和传统的方法并无很大不同，唯一的区别是我们集成了互斥分类器产生的预测作为源域的集成预测。该预测一方面被标签监督，产生分割损失（Segmentation Loss），如式（3）所示： 另一方面，该预测进入判别器D，作为源域样本。 绿色的双箭头处，我们使用余弦距离作为损失，训练两个分类器产生不同的模型参数： 目标域流中，集成预测同样进入判别器D。不同的是，我们维持两个分类器预测的差值，作为局部对齐程度的依据 (local alignment score map）。该差值与D所反馈的损失相乘，生成语义级别的对抗损失： 该策略加大了语义不一致特征的对齐力度，而减弱了语义一致的特征受全局对齐的影响，从而加强了特征间的语义对齐，防止了负迁移的产生。 最后，根据以上三个损失，我们可以得出最终的总体损失函数： 基于以上损失函数，算法整体的优化目标为： 在训练中，我们交替优化G和D，直至损失收敛。 5. 特征空间分析 我们重点关注不常见类，如图4（a）中黄框内的柱子，交通标志。这些类经过传统方法的分布对齐，反而在分割结果中消失了。结合特征的t-SNE图，我们可以得出结论，有些类的特征在没有进行域迁移之前，就已经是对齐的。传统的全局域适应方法反而会破坏这种语义一致性，造成负迁移。而我们提出的语义级别对抗降低了全局对齐对这些已对齐类的影响，很好的解决了这一问题。 6. 实验结果  我们在两个域适应语义分割任务，即GTA5 -> Cityscapes 和 SYNTHIA -> Cityscapes 上进行了实验验证。我们采用最常见的Insertion over Union作为分割精度的衡量指标，实验结果如下。从表1和表2中可以看出，在不同网络结构（VGG16，ResNet101）中，我们的方法（CLAN）域适应效果都达到了 state-of-the-art的精度。特别的，在一些不常见类上（用蓝色表示），传统方法容易造成负迁移，而CLAN明显要优于其他方法。 表 1. 由虚拟数据集GTA5 迁移至真实数据集 Cityscapes 的域适应分割精度对比。  表 2. 由虚拟数据集SYNTHIA 迁移至真实数据集 Cityscapes 的域适应分割精度对比。 第二个实验中，我们了展示隐空间层面，源域和目标域间同语义特征簇的中心距离。该距离越小，说明两个域间的语义对齐越好。结果见图 5。 最后，我们给出分割结果的可视化效果。我们的算法大大提高了分割精度。 7. 总结 《Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation》引入了联合训练结合对抗学习的设计，在无监督域适应语义分割任务中取得了较好的实验结果。该算法能应用前景广泛，比如能够很好地应用到自动驾驶中，让车辆在不同的驾驶环境中也能保持鲁棒的街景识别率。 最后 CVPR 2019 Oral 论文精选汇总，值得一看的 CV 论文都在这里（持续更新中）CVPR 2019 即将于 6 月在美国长滩召开。今年有超过 5165 篇的大会论文投稿，最终录取 1299 篇，其中 Oral 论文近 300 篇。为了方便社区开发者和学术青年查找和阅读高价值论文，AI 研习社从入选的 Oral 论文中，按应用方向挑选了部分精华论文，贴在本文，打开链接即可查看~