[发明专利]一种基于共享模型空间学习的零镜头图像分类方法

摘要

本发明公开了一种基于共享模型空间学习的零镜头图像分类方法，包括如下步骤：步骤S1：构建源类别图像特征向量和目标类别图像特征向量；步骤S2：构建源类别属性表示和目标类别属性表示；步骤S3：利用源类别图像特征向量、目标类别图像特征向量、源类别属性表示和目标类别属性表示构造零镜头学习函数；步骤S4：优化求解零镜头学习函数，并得到共享模型空间；步骤S5：利用共享模型空间以及目标类别属性表示，直接产生各个目标类别对应的一级分类模型；步骤S6：利用一级分类模型以及目标类别图像特征向量产生最终的目标类别分类结果。本发明通过共享的模型空间产生相应类别的一级分类模型，直接从图像特征得到分类结果，从而提高了分类模型的准确性。

主权项

1.一种基于共享模型空间学习的零镜头图像分类方法,其特征在于,包括如下步骤：步骤S1：分别对源类别数据中的有标注图像与目标类别数据中的无标注图像进行向量化特征表示，得到源类别图像特征向量和目标类别图像特征向量；步骤S2：分别针对源类别数据和目标类别数据构建出源类别属性表示和目标类别属性表示；步骤S3：利用步骤S1中得到的源类别图像特征向量和目标类别图像特征向量，以及步骤S2中得到的源类别属性表示和目标类别属性表示构造零镜头学习函数；步骤S4：利用迭代式的优化方法求解步骤S3中得到的零镜头学习函数，并得到共享模型空间，具体包括如下步骤：(1)初始化共享模型空间V和目标类别矩阵Yt；(2)利用初始化后的共享模型空间V，优化目标类别矩阵Yt，具体步骤为：初始化后的共享模型空间V已经给定，优化目标类别矩阵Y_t的过程为行解耦，对矩阵形式的零镜头学习函数的每一行进行单独的处理，该零镜头学习函数对于的部分如下：优化目标类别矩阵Yt的公式如下：其中表示目标类别数据中第i个无标注图像是否属于目标类别c；(3)利用初始化后的目标类别矩阵Yt，优化共享模型空间V，具体步骤为：初始化后的目标类别矩阵Yt已经固定，进行如下定义：对零镜头学习函数进行如下近似：上述式子对于共享模型空间V的导数如下：再令上述导数为0，可以得到优化共享模型空间V的公式如下：V＝(X′X+βI)‑1X′YA(A′A)‑1不断迭代优化共享模型空间V和目标类别矩阵Yt直至零镜头学习函数的值收敛，即可得到共享模型空间V；步骤S5：利用上一步得到的共享模型空间以及步骤S2中得到的目标类别属性表示，直接产生各个目标类别对应的一级分类模型；步骤S6：利用步骤S5中得到的一级分类模型以及步骤S1中得到的目标类别图像特征向量产生最终的目标类别分类结果。