[发明专利]一种基于生成对抗网络的零样本学习算法

权利要求书

1.一种基于生成对抗网络的零样本学习算法，其特征在于，基于传统的生成对抗网络模型形成基于特征判别的特征生成对抗网络，具体如下：

步骤1，生成器的图像生成：生成网络G通过生成随机的图像数据产生网络认为可信的图像数据传入判别器；具体为：

1.1)随机噪声z和条件c作为生成器网络的输入；

1.2)通过神经网络产生生成器的输出x作为生成样本；

步骤2，判别器网络的训练：使用生成样本和数据集的原始样本对判别器进行训练，使得生成样本的分数越低，真实样本的分数越高；

步骤3，生成器网络的训练：对生成器网络进行生成样本和真实样本的训练，使得生成样本分布更靠近真实样本；

步骤4，重复步骤2、步骤3，提升生成对抗网络的生成样本的可靠度；

步骤5，利用生成样本进行零图像分类的网络训练；

步骤6，在验证数据上进行训练好的网络实验验证。

2.根据权利要求1所述的一种基于生成对抗网络的零样本学习算法，其特征在于，所述的生成对抗网络具体为：设计两个网络，一个网络为生成网络，输入属性数据，输出模拟的特征数据；一个网络为判别网络，输入为特征数据，输出为真实数据的概率；判别网络是一个能够二分类的分类器，用于判别输入数据是真实特征数据还是模拟特征数据，分类器利用多层神经网络实现；通过两个网络的相互对抗学习，不断增强判断网络真实性的能力，不断增强生成网络生成虚假特征的能力，最终生成一个与真实特征足够接近的未知图像特征，然后将该特征发送给分类器进行处理。

3.根据权利要求1或2所述的一种基于生成对抗网络的零样本学习算法，其特征在于，网络的输入被判断为语义信息和图像特征，首先将语义信息发送到两个完全连通的层中，将其嵌入到图像特征空间中，然后将获得的新图像特征与卷积神经网络提取的图像特征相结合，一起发送到判别网络中；并且引入注意力机制，将已知的类特征和生成的未知类特征送入注意网络，然后与判别条件一起送入判别网络。