[发明专利]一种基于结构保持零样本学习的鸟类濒危物种识别方法

说明书

本发明公开了一种基于结构保持零样本学习的鸟类濒危物种识别方法，包括如下步骤：数据输入步骤，输入数据集包括常见鸟类图像视觉特征、语义信息、标签信息等，以及鸟类濒危物种的语义信息；训练步骤，学习视觉特征空间到语义空间的双向映射，同时使用流形一致性对该映射作进一步的约束。将优化问题归结成Sylvester方程求解问题，求解过程简单易实现，求解的结果为映射矩阵P；预测步骤，利用训练步骤得到的映射矩阵P对给定语义信息的鸟类濒危物种图像做出识别。本发明保留了数据间的结构信息，解决了领域漂移的问题，提高了图像分类的精确度，使之能够应用到复杂的鸟类图像识别的问题中，并能够对没有已知标签信息的濒危物种进行识别。

技术领域

本发明涉及图像分类技术领域，具体涉及一种基于结构保持零样本学习的鸟类濒危物种识别方法。

背景技术

鸟类是动物界的一个重要组成部分，由于它们的种类繁多，外观近似，如何准确高效地对其进行识别一直是一个重要的研究问题。传统计算机视觉领域需要大量的人工标记的鸟类图像进行训练以获得良好的分类精度。然而，由于自然环境变化、人类活动影响等原因，许多鸟类的数量急剧减少，有关图像变得难以获得，只能从古籍、知情人描述中获得关于它们外观、习性的信息。由于带标记图像数据的匮乏，传统计算机视觉领域的方法无法解决鸟类图像数据精准分类的问题。

针对以上带标签图像数据匮乏的问题，目前亟待提出用零样本学习的方法解决濒危鸟类图像分类问题。零样本图像分类方法模仿人类根据已知事物，以及未知事物的描述，实现判别与分类未知事物的能力。以常见的可获得其标签信息的鸟类为可见类别，数据匮乏的濒危鸟类为不可见类别，可见类别和不可见类别之间没有重叠。人类对于鸟类外观、习性等特征的描述称为语义信息。零样本学习方法利用可见类别鸟类的视觉特征信息和语义信息完成对不可见类别鸟类图像的识别与分类任务。

零样本学习的关键在于如何建立可见类别与不可见类别之间的关联，以实现知识的共享与迁移。传统基于映射的零样本学习方法旨在学习一个视觉特征空间到语义空间的映射，或是学习一个将视觉特征和语义共同映射到中间层的映射。这类方法不可避免地存在领域漂移的问题，即由于可见类别与不可见类别没有重叠，虽然他们共享同一个语义空间，但相同的语义描述对应的视觉特征表示却有很大不同。在这种情况下，从可见类别数据学习到的映射直接应用到不可见类别的分类任务将导致精确度的降低。

基于上述问题，提出一种能够克服现有零样本方法存在的不足，实现对濒危鸟类图像准确识别与分类的方法是目前迫切需要解决的问题。

发明内容

本发明的目的是为了克服现有技术中的上述缺陷，提供一种基于结构保持零样本学习的鸟类濒危物种识别方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于结构保持零样本学习的鸟类濒危物种识别方法，所述的鸟类濒危物种识别方法包括：

图像数据输入步骤，输入的图像数据分为可见类别数据和不可见类别数据，其中，所述的可见类别数据指常见的可获得其标签信息的鸟类，包括可见类别鸟类图像视觉特征、语义信息、标签信息；所述的不可见类别数据指数据匮乏的濒危鸟类，包括濒危鸟类的语义信息；

训练步骤，接收输入数据后，基于可见类别数据学习视觉特征空间到语义空间的双向映射，同时增加对映射矩阵P的两种流形一致性约束，得到最终模型并求其最优解。可以将该求解过程归结为Sylvester问题，通过调用MATLAB中的工具箱函数，即可求得该方程的解，得到映射矩阵P。

预测步骤，将待分类的濒危鸟类物种作为测试样本，输入测试样本的视觉特征以及不可见类别的语义，将每个测试样本用所述的映射矩阵P作映射，得到其在语义空间的映射结果，将得到的结果与给定的类别语义在语义空间作近邻计算，找出最近邻的语义，其对应的类别即为得到的预测值。