【技术实现步骤摘要】
一种基于属性约束的零样本图像识别新方法
本专利技术涉及到模式识别中的图像识别领域,尤其涉及一种基于属性约束的零样本图像识别新方法。
技术介绍
在模式识别领域中,图像识别是其一个重要的组成部分,其目的是让经过训练的计算机在大量图像中提取相关信息并加以判别。目前图像识别技术日渐成熟,并且广泛应用于人脸,动物及其他物体等方面。传统的图像识别是基于监督学习进行的,即要获得待测试未知类别的标签需要训练大量同类样本。然而提供大量带有标签的同类训练样本的成本花费巨大的,而且极有可能会出现收集不到某一类图像的同类带标签训练样本的情况,所以我们考虑学习无同类训练样本情形下的图像识别即零样本图像识别。解决零样本图像识别问题的方法大多数是建立在属性学习基础上的。属性是人为定义来描述类别特性信息的标量。基于属性学习的零样本图像识别是利用支持向量机SVM从已知类别训练样本上学习一个属性预测器,然后将此属性预测器直接应用到待测试未知类别样本得到其属性,最后通过最近邻分类器与未知类别的所有原型属性进行对比从而获得其标签。这些零样本图像识别方法在进行识别过程中都会遇到语义迁移问题。具体而言,从已知类别训练样本上学习得到的属性预测器可运用到已知类别训练样本中,然而由于已知类别训练样本和未知类别测试样本在零样本图像识别中是不存在任何交集,直接将训练获得的属性预测器应用到待测试未知类别时必然无法适合所有未知类别,这样就无法获得所有待测试未知类别样本的真实属性,也就是产生了语义迁移,进而会导致最终识别率降低。如何学习一个高效属性预测器来有效减少语义迁移问题带来的影响一直是零样本图像识别研究中的一 ...
【技术保护点】
1.一种基于属性约束的零样本图像识别新方法,包含以下步骤:步骤1)针对给定的已知类别训练样本中含有属性噪声问题,利用正太分布虚拟出训练样本的真实属性;步骤2)针对零样本图像识别中存在语义迁移问题,根据步骤1)计算出的给定的已知类别训练样本真实属性,学习一个从已知类别训练样本的特征到已知类别训练样本真实属性的编码器,再学习一个将已知类别训练样本真实属性映射到特征空间的解码器,基于语义编码器‑解码器模型在已知类别训练样本和待测试未知类别样本上共同学习一个属性预测器;步骤3)用步骤2)得到的属性预测器预测待测试未知类别样本的属性,并将预测到的待测试未知类别样本的属性通过最近邻分类器与待测试未知类别样本的原型属性比对,以得到待测试未知类别样本的标签,将得到的待测试未知类别样本的标签与待测试未知类别样本的实际标签进行比对,得出属性预测器的识别率。
【技术特征摘要】
1.一种基于属性约束的零样本图像识别新方法,包含以下步骤:步骤1)针对给定的已知类别训练样本中含有属性噪声问题,利用正太分布虚拟出训练样本的真实属性;步骤2)针对零样本图像识别中存在语义迁移问题,根据步骤1)计算出的给定的已知类别训练样本真实属性,学习一个从已知类别训练样本的特征到已知类别训练样本真实属性的编码器,再学习一个将已知类别训练样本真实属性映射到特征空间的解码器,基于语义编码器-解码器模型在已知类别训练样本和待测试未知类别样本上共同学习一个属性预测器;步骤3)用步骤2)得到的属性预测器预测待测试未知类别样本的属性,并将预测到的待测试未知类别样本的属性通过最近邻分类器与待测试未知类别样本的原型属性比对,以得到待测试未知类别样本的标签,将得到的待测试未知类别样本的标签与待测试未知类别样本的实际标签进行比对,得出属性预测器的识别率。2.根据权利要求1所述的一种基于属性约束的零样本图像识别新方法,其特征在于:所述步骤1)具体步骤如下:步骤1.1)其中给定的已知类别训练样本包含cs类共计Ns幅图像,其训练集表示如下:上述训练集中表示第1至Ns幅图像的特征,表示第1至NS幅图像的属性;其中已知类别训练样本的特征表示如下:d为样本特征维度;其中已知类别训练样本的属性表示如下:k是属性维度;步骤2.2)已知类别训练样本的真实属性表示如下:其中是第1至NS幅图像的真实属性;cs类每一类都对应着一个原型属性,已知类别训练样本的训练集原型属性表示如下:其中表示已知类别训练样本的训练集的1至Cs类图像的原型属性;步骤2.3)利用同一类别样本在属性空间中呈正太分布的原理虚拟出已知类别训练样本的真实属性:其中是第j类已知类别的原型属性,j∈1......CS,是第i幅已知类别训练样本的真实属性i∈1......NS,||.||F是F-范数,则mi,j=1,否则mi,j=0。3.根据权利要求1或2所述的一种基于属性约束的零样本图像识别新方法,其特征在于:所述步骤2)的详细步骤如下:根据步骤1)中给定的已知类别训练样本的特征表示以及虚拟得出的真实属性进行如下步骤:步骤2.1)首先学习一个从已知类别训练样本特征Xs到其真实属性Ys的语义编码器W∈Rk×d即...
【专利技术属性】
技术研发人员:吴松松,王堃,卢志强,荆晓远,岳东,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。