[发明专利]基于相对属性随机森林的零样本图像分类方法

摘要

本发明提出一种基于相对属性随机森林的零样本图像分类方法，根据图像类别与图像属性之间的相对关系为未知类别的图像建立属性排序得分模型，将所有图像的属性排序得分模型作为训练样本来训练随机森林分类器，最后根据测试图像的属性排序得分以及训练得到的随机森林分类器对测试图像的标签进行预测。本发明的方法能够实现零样本图像分类，并且具有分类识别率高、模型稳定性强等优点。

主权项

1.基于相对属性随机森林的零样本图像分类方法，其特征在于，包括以下步骤：步骤1：给定已知类图像的底层特征及类别标签集{x1,x2,...,xS；y1,y2,...,yS}、未知类图像的底层特征集{z1,z2,...,zU}、已知类图像的有序属性对集{O1,...,OM}、已知类图像的相似属性对集{S1,...,SM}、随机树的棵数T和采样百分率η，建立优化函数，其中，S、U、M、T均为正整数，η∈(0,1)；步骤2：利用已知类图像的底层特征及类别标签集{x₁,x₂,...,x_S；y₁,y₂,...,y_S}、有序属性对集{O₁,...,O_M}和相似属性对集{S₁,...,S_M}求解优化函数，得到M个属性排序函数其中w_m为投影向量，为w_m的转置，i＝1,2,...,s，m＝1,2,...,M；步骤3：建立已知类图像的属性排序得分模型和未知类图像的属性排序得分模型并组成训练样本集Ω，将所有图像在属性空间中定位，其中，分别表示已知类图像对应底层特征x₁,x₂,...,x_S的属性排序得分，分别表示未知类图像对应底层特征z₁,z₂,...,z_U的属性排序得分；步骤4：对训练样本集Ω进行采样百分率为η的T次Bootstrap随机采样，得到采样样本集Ωt＝BootstrapSampling(Ω),t＝1,2,...,T；步骤5：生成随机树分类器：步骤5‑1：若Ωt中所有样本的类别相同，则把当前节点作为叶节点返回，并根据样本的类别标签来标记该节点类别；否则，转到步骤5‑2；步骤5‑2：随机选择参数空间子集：Γ(Ω_t)为完整参数空间，Γ_sub(Ω_t)为Γ(Ω_t)的子集，对于每一个参数空间子集Γ_sub(Ω_t)，计算信息增益IG(θ_j|Ω_t)，得到弱分类器的最优参数：j＝1,2,...,|Γ_sub|，θ_j表示子集Γ_sub(Ω_t)中的第j个类别；步骤5‑3：令左、右子节点的当前数据集为空：步骤5‑4：根据最优参数θ*计算弱分类器h(ri|θ*)的值，若h(ri|θ*)＝1，则将(ri,yi)添加到左子节点的数据集：Ωleft＝Ωleft∪{(ri,yi)}；若h(ri|θ*)＝0，则将(ri,yi)添加到右子节点的数据集：Ωright＝Ωright∪{(ri,yi)}，其中，ri表示属性排序得分，yi表示类别标签；步骤5‑5：数据集Ωleft和Ωright成为该节点的子节点，对于这些子节点分别重复步骤5‑1至5‑4，得到第t个随机树分类器；步骤6：重复步骤4至步骤5，得到基于相对属性随机森林的零样本图像分类器TreeRoot1,...,TreeRootT；步骤7：利用属性排序函数计算测试图像的属性排序得分r^(u)；步骤8：将r(u)代入分类器TreeRoot1,...,TreeRootT中，得到r(u)属于类别C的概率，计算并输出测试图像的类别标签。