[发明专利]双重批标准化的零实例图像分类方法

说明书

本申请提供一种双重批标准化的零实例图像分类方法，将待训练图像数据集输入至特征提取模块中得到图像的特征向量；利用全连接模块将类别的语义信息映射到视觉空间中得到类别表示向量；将有标签图像的特征向量和无标签图像的特征向量与类别表示向量进行拼接得到多对第一表示对向量和多对第二表示对向量；将第一表示对向量和第二表示对向量进行批标准化处理得到第一标准表示对向量和第二标准表示对向量；利用全连接模块学习第一标准表示对向量，再输入第二标准表示对向量计算得到第二标准表示对向量配对概率；选择每一无标签图像中配对概率最高的第二表示对向量中无标签图像的类别输出。本申请能够校准分布差异，从而实现较高性能的零实例图像分类。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种双重批标准化的零实例图像分类方法及分类模型学习方法与终端。

背景技术

在图像分类领域，机器学习模型需要学习各类别的训练图像才能正确识别测试图像所属类别。当需要识别的类别缺乏训练数据时，传统的机器学习模型不能有效训练图像分类器。零实例图像分类方法旨在训练一个模型能够正确识别没有出现在训练数据集中的不可见类别图像。现有零实例图像分类方法大致有如下两种。

第一种：基于生成对抗网络的零实例图像分类方法。基于生成对抗网络的零实例图像分类方法的大致工作原理如下：首先通过卷积神经网络，提取训练图像的特征；随后通过生成网络，根据类别的描述信息模拟生成训练图像的特征，并利用对抗判别器，使生成的特征模仿由卷积神经网络学习到的真实特征；通过学习好的生成网络，输入不可见类别的描述信息，产生模拟的不可见类别图像特征；最后，利用模拟的不可见类别图像特征和真实的可见类别图像特征训练零实例图像分类器，从而实现对不可见类别的图像识别。该方法的缺点如下：由于类别的描述信息通常不足以完全描绘出对于类别的视觉形象，相比于卷积神经网络学习到的图像特征包含了广泛的视觉信息，生成对抗网络通过类别的描述信息生成的不可见类图像特征不完全，使得模拟特征与真实特征存在较大差距，从而导致利用模拟不可见类别图像特征训练的零实例图像分类器在真实零实例场景下不能取得较好性能。同时，利用模拟的图像特征训练零实例图像分类器，其分类边界受样本类别比例影响较大，而基于生成对抗网络的零实例图像分类方法无法获得不可见类别的分布信息，造成了分类边界的误差。

第二种：基于判别网络的零实例图像分类方法。基于判别网络的零实例图像分类方法的大致工作原理如下：首先通过卷积神经网络，提取训练图像的特征；随后通过度量模型，度量图像特征与类别语义表示之间的距离；最后，选择距离最近的类别作为图像的类别标注。该方法的缺点如下：由于类别语义表示在没有不可见类别训练样本的情况下通常由文本训练得到，或是专家收集的专业属性，因此类别语义表示的分布与视觉信息中类别特征的分布有显著差异，导致匹配图像特征与类别语义有较大困难。其次，由于训练图像属于可见类别而测试图像属于不可见类别，训练与测试图像之间存在分布差异，对零实例图像分类性能造成负面影响。

发明内容

有鉴于此，实有必要提供一种双重批标准化的零实例图像分类方法及分类模型学习方法与终端，可实现较高性能的零实例图像分类。