[发明专利]一种基于多分类器的零样本深海生物图片分类方法

权利要求书

1.一种基于多分类器的零样本深海生物图片分类方法，其特征在于，所述的零样本深海生物图片分类方法包括如下步骤：

利用已知公开数据集或者使用GoogleNet网络提取图片特征形成数据集，通过数据集导入每张图片的图像视觉特征数据、标签及语义描述，其中，所述的数据集由相互不重叠的可见类别数据和不可见类别数据组成，可见类别包含数据丰富的常见海洋生物种类，为模型需要学习的类别，不可见类别包含数据匮乏的深海海洋生物种类，为模型需要辨别的类别，所述的标签即图像的类别信息；

类别具体分类器训练，利用可见类别数据训练，在保留流形结构的基础上，为不同类别建立不同的视觉特征空间到语义空间的映射；

其中，所述的可见类别共C_S个，视觉特征数据其中d为视觉特征维度，n_S为可见类别样本数，语义其中a为语义维度，每行为一个样本对应的语义向量下标S代表可见类别；

所述的不可见类别共C_U个，可见类别和不可见类别无交集，视觉特征数据其中n_U为不可见类别样本数，语义每行为一个样本对应的语义向量其中a为语义维度，下标U代表不可见类别；

为每个不可见类别学习一个特定于类别C的映射矩阵d为视觉特征维度，a为语义维度，类别具体分类器模型如下：

上式中，表示矩阵-范数的平方，X_S^T表示X_S矩阵的转置，第一项通过映射矩阵W_C将数据映射到语义空间，是由原始的语义矩阵变换而来的，对应第C个可见类别，对于中的第C类语义a_C不做变换，对于其他类的语义变换为-γa_C，γ为超参数，通过对每个类的设置，使视觉特征映射后与自己所属类别的语义距离近，同时与其他类别语义远；第二项为-正则项，约束W_C的复杂度，防止模型过拟合；第三项为流形正则项，用于保持本类数据的结构在映射前后不变，其中L_C为拉普拉斯矩阵，L_C＝D_C-R_C，R_C计算如下：

上式中，x_i和x_j分别表示样本数据的第i行和第j行，即第i个样本和第j个样本，表示和x_i属于同一类且是x_i的k近邻的样本，而D_C是一个对角矩阵，其第m个对角元素为R_C第m行的和，即(D_C)_mm＝∑_l(R_C)_ml，λ和β是超参数，用于权衡各项权重；

不可见类类别推断，通过将可见类别与不可见类别语义之间的权重进行迁移，使用可见类别的映射矩阵合成不可见类别的映射矩阵，根据距离得出不可见类别的标签，以达到分类目的。

2.根据权利要求1所述的一种基于多分类器的零样本深海生物图片分类方法，其特征在于，所述的通过数据集导入每张图片的图像特征数据之后，还包括：对图像特征数据进行归一化处理，归一化为[-1,1]之间。

3.根据权利要求1所述的一种基于多分类器的零样本深海生物图片分类方法，其特征在于，为对类别具体分类器模型进行求解，以迭代的方式进行W_C的更新，每次更新W_C时，固定其他的不变，其中得到类别具体分类器模型关于W_C的目标函数，令该目标函数对W_C的偏导数为零得到：

其中E为单位阵。

4.根据权利要求1所述的一种基于多分类器的零样本深海生物图片分类方法，其特征在于，所述的不可见类类别推断的过程如下：

将每个不可见类语义表示为可见类的加权组合，即为不可见类语义中第p类样本的语义向量，为第q类可见类语义，α_q为加权系数，对应的映射矩阵有类似的权重对应关系，即得到不可见类的类别具体的映射矩阵

对于不可见类别图片x，通过下式计算其投影后与各个类别语义的距离，找出其中距离的最小值，进而得到其对应标签：

经上述处理后可以推断出每一张不可见类别图片的标签，从而实现零样本图片分类。