[发明专利]一种基于多尺度特征融合的零样本学习分类方法

权利要求书

1.一种基于多尺度特征融合的零样本学习分类方法，其特征在于：其方法包括以下步骤：

S1、使用深度神经网络(1)对原图像(2)进行特征提取，得到原始尺寸特征(3)的特征图；

S2、对原图像(2)和上一步得到的特征图，使用重校准(4)定位和裁剪(5)组合技术，得到细尺度图像(6)；

S3、使用参数共享(7)的深度神经网络(1)对细尺度图像(6)进行特征提取，得到细尺度特征(10)，并将两种特征进行融合；

S4、将上一步得到的融合特征投影到语义空间(8)和隐空间(9)，并分别采用softmaxloss和triplet loss进行参数优化；

S5、重复以上步骤，设置多个周期进行训练，最后得到一个表征能力强的零样本学习模型。

2.根据权利要求1所述一种基于多尺度特征融合的零样本学习分类方法，其特征在于：所述裁剪(5)用于对原始图像进行裁剪操作，裁剪出的区域通常包含对象的整体或对象的部分。

3.根据权利要求1所述一种基于多尺度特征融合的零样本学习分类方法，其特征在于：所述细尺度图像(6)为保留原图像(2)对象整体且富含语义信息的区域。

4.根据权利要求1所述一种基于多尺度特征融合的零样本学习分类方法，其特征在于：所述重校准(4)后的特征图自动裁剪出目标区域。

5.根据权利要求1所述一种基于多尺度特征融合的零样本学习分类方法，其特征在于：所述重校准(4)后的特征图输出是一组包含三个参数的值，三个参数分别代表待裁剪区域在原图像(2)上的中心点坐标和变长。

6.根据权利要求4所述一种基于多尺度特征融合的零样本学习分类方法，其特征在于：所述目标区域设计成一个正方形。

7.根据权利要求4所述一种基于多尺度特征融合的零样本学习分类方法，其特征在于：采取双线性插值法将裁剪得到的图像大小重新变换为与原图像(2)相同的大小。