[发明专利]一种基于属性约束的零样本图像识别新方法

说明书

本发明公开了一种基于属性约束的零样本图像识别新方法，本方法利用正太分布虚拟出已知类别训练样本的真实属性来减少其属性噪声问题带来的影响，其次基于编码器‑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达到有效减少语义迁移影响的目的，最后通过最近邻分类器获得待测试未知类别样本的标签。与现有的其他零样本图像识别方法相比，我们的方法在识别率上取得显著提高。

技术领域

本发明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。

背景技术

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个重要课题。然而在考虑学习一个高效属性预测器的同时人们往往都容易忽视属性这一关键要素，因为属性都是人为定义来描述类别特性信息的，与其真实属性值之间必然存在一定的误差，即存在噪声，给定已知类别训练样本的属性肯定会偏离其真实属性，这样也会导致最终训练出来的属性分类器判别效率降低，如何有效减少已知类别训练样本属性噪声问题的影响也值得我们研究的。

发明内容

发明目的：本发明所要解决的技术问题是针对背景技术中所涉及到的属性噪声等缺陷，提供一种基于属性约束的零样本图像识别新方法以有效减轻语义迁移和已知类别训练样本属性噪声问题的影响。

技术方案：一种基于属性约束的零样本图像识别新方法，包括如下步骤：

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，减少属性噪声问题带来的影响；

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。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1.我们利用正太分布虚拟出已知类别训练样本的真实属性有效减轻训练集属性噪声问题带来的影响；

2.我们利用语义编码器解码器模型在已知类别训练样本和未知类别待测试训练样本上共同学习一个属性预测器达到有效减轻零样本图像识别中语义迁移问题影响的目的；