[发明专利]一种基于低秩表示和流形正则化的零样本图像分类方法

权利要求书

1.一种基于低秩表示和流形正则化的零样本图像分类方法，其特征在于，包括以下步骤：

步骤1：计算可见类数据集中样本的视觉特征X_s和语义表示A_s之间的映射关系f，即f:X_s→A_s，其中可见类数据集为为可见类数据集中样本的视觉特征，p是样本视觉特征的维度，为可见类数据集中样本的语义表示，q是每个样本对应语义表示的维度，c_s为可见类数据集样本的类别总数，m为可见类数据集的样本总数；

步骤2：利用映射关系f计算不可见类数据集中样本的语义表示A_u，其中不可见类数据集为为不可见类数据集中样本的视觉特征且c_u为不可见类数据集样本的类别总数，n为不可见类数据集的样本总数，为计算得到的不可见类数据集X_u的语义表示，

步骤3：计算不可见类数据集中样本的拉普拉斯正则化的非负稀疏低秩表示Z；

步骤4：利用低秩表示Z计算权重矩阵W和拉普拉斯矩阵L；

步骤5：引入流形正则化，去除不可见类数据集中的语义表示的噪声；

步骤6：利用去噪后的不可见类数据集中的语义表示，预测不可见类数据集中样本的标签，实现样本分类。

2.根据权利要求1所述的一种基于低秩表示和流形正则化的零样本图像分类方法，其特征在于，步骤3中计算不可见类数据集中样本的拉普拉斯正则化的非负稀疏低秩表示Z的表达式为：

s.t.X_u＝X_uZ+E

Z≥0

||Z||₀≤T

其中E为噪声，α为第一预置可调参数，β为第二预置可调参数，||·||_*表示核范数，||·||₁表示l₁范数，tr(·)表示迹函数，Z≥0保证了矩阵Z的非负特性，||Z||₀≤T保证了矩阵Z的稀疏特性。

3.根据权利要求1所述的零样本图像分类方法，其特征在于，步骤5中引入流形正则化，去除不可见类数据集中的语义表示的噪声的公式为：

其中，I为单位矩阵，λ为第三预置可调参数，为去噪后的不可见类数据集中的语义表示。