[发明专利]双重批标准化的零实例图像分类方法

权利要求书

1.一种双重批标准化的零实例图像分类模型的学习方法，用于对初始神经网络进行学习得到双重批标准化的零实例图像分类模型，其特征在于，所述初始神经网络包括特征提取模块以及全连接模块，所述双重批标准化的零实例图像分类模型的学习方法包括：

将待训练图像数据集输入至所述特征提取模块中计算得到所述待训练图像数据集中每张图像的特征向量，所述待训练图像数据集包括带有标签的有标签图像和没有带标签的无标签图像，所述待训练图像数据集属于预设的多个类别，所述多个类别包括可见类和不可见类，所述可见类存在于标签表示的类别中，所述不可见类不存在于所述标签表示的类别中；

将预设的多个类别的语义信息输入至所述全连接模块中计算，使预设的多个类别的语义信息映射到视觉空间中得到多个类别表示向量；

将每一有标签图像的特征向量与所述多个类别表示向量进行拼接得到每一有标签图像的多对第一表示对向量；

将每一无标签图像的特征向量与所述多个类别表示向量进行拼接得到每一无标签图像的多对第二表示对向量；

将所述第一表示对向量和所述第二表示对向量进行批标准化处理得到维度相同的第一标准表示对向量和第二标准表示对向量；

将每一个所述第一标准表示对向量输入至所述全连接模块中训练后再将所述第二标准表示对向量输入全连接模块中计算得到每一个所述第二标准表示对向量的配对概率；以及

选择每一无标签图像中配对概率最高的第二表示对向量所对应类别向量所对应的类别作为所述无标签图像的类别并输出。

2.如权利要求1所述的双重批标准化的零实例图像分类模型的学习方法，其特征在于，所述将每一有标签图像的特征向量与所述多个类别表示向量进行拼接得到每一有标签图像的多对第一表示对向量包括：

将每一有标签图像的特征向量复制N份，所述N份为可见类类别表示向量的个数；以及

将每一有标签图像的N份特征向量与多个类别表示向量进行一一拼接得到多对第一表示对向量。

3.如权利要求1所述的双重批标准化的零实例图像分类模型的学习方法，其特征在于，所述将每一无标签图像的特征向量与所述多个类别表示向量进行拼接得到每一无标签图像的多对第二表示对向量包括：

将每一无标签图像的特征向量复制M份，所述M为不可见类类别表示向量的个数；以及

将每一无标签图像的M份特征向量与多个类别表示向量进行一一拼接得到多对第二表示对向量。

4.如权利要求1所述的双重批标准化的零实例图像分类模型的学习方法，其特征在于，所述双重批标准化的零实例图像分类模型的学习方法还包括：

将所述第一表示对向量和所述第二表示对向量进行批标准化处理得到维度相同的第一标准表示对向量和第二标准表示对向量。

5.如权利要求4所述的双重批标准化的零实例图像分类模型的学习方法，其特征在于，将所述第一表示对向量和所述第二表示对向量进行批标准化处理得到维度相同的第一标准表示对向量和第二标准表示对向量具体包括：

计算所述第一表示对向量的各维度特征的均值与方差得到第一均值和第一方差；

将第一表示对向量减去第一均值后除以第一方差得到标准化后的第一表示对向量；

计算所述第二表示对向量的各维度特征的均值与方差得到第二均值和第二方差；

将第二表示对向量减去第二均值后除以第二方差得到标准化后的第二表示对向量；以及

对标准化后的第一表示对向量和标准化后的第二表示对向量进行线性变换得到批标准化的第一标准表示对向量和第二标准表示对向量。

6.如权利要求1所述的双重批标准化的零实例图像分类模型的学习方法，其特征在于，所述特征提取模块包括多个隐藏层，将待训练图像数据集输入至所述特征提取模块中计算得到所述待训练图像数据集中每张图像的特征向量具体包括：

获取所述多个隐藏层中最后一个隐藏层的输出；以及

根据所述最后一个隐藏层的输出统计得到所述待训练图像数据集中每张图像的特征向量。

7.如权利要求6所述的双重批标准化的零实例图像分类模型的学习方法，其特征在于，所述特征提取模块采用Resnet101卷积神经网络架构。