[发明专利]基于零样本学习的细粒度图像识别方法有效
| 申请号： | 201710470805.6 | 申请日： | 2017-06-20 |
| 公开（公告）号： | CN107480688B | 公开（公告）日： | 2020-06-19 |
| 发明（设计）人： | 魏杰;武继刚;孟敏;王勇 | 申请（专利权）人： | 广东工业大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 广东广信君达律师事务所 44329 | 代理人： | 杨晓松 |
| 地址： | 510062 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于零样本学习的图像识别方法，包括：给定测试的图像集trainX和语义集trainY；初始化降维矩阵B和D，使得trainX＝B*Zx、trainY＝D*Zy，其中B，D是根据字典学习得到的初始结果，通过奇异值分解将特征矩阵分解为一个方阵，并选择前若干维作为字典B和D的初始化，Zx和Zy分别为降维后的低维空间中的图像特征和语义信息；初始化映射关系矩阵W；通过线性回归，使用随机梯度下降法调整W矩阵使得Zx＝W*Zy；计算测试集的分类正确精度；根据分类结果差值来改进降维矩阵B和D，然后重复前述步骤，直至精度等于或高于目标精度后，输出结果。 | ||
| 搜索关键词： | 基于 样本 学习 细粒度 图像 识别 方法 | ||
【主权项】：
一种基于零样本学习的图像识别方法，其特征在于，其步骤包括：S1、给定训练的图像集trainX和语义集trainY；S2、初始化降维矩阵B和D，使得trainX＝B*Zx、trainY＝D*Zy，其中所述步骤S2中的初始化降维矩阵B，D是根据字典学习得到的初始结果，通过奇异值分解将特征矩阵分解为一个方阵，并选择前若干维作为字典B和D的初始化，Zx和Zy分别为降维后的低维空间中的图像特征和语义信息；S3、初始化映射关系矩阵W；S4、通过线性回归，使用随机梯度下降法调整W矩阵使得Zx＝W*Zy；S5、计算测试集的分类正确精度；S6、根据S5中的分类结果差值来改进降维矩阵B和D，然后重复S4和S5，若计算的精度小于目标精度，则跳转到S2但不需要重新初始化B和D，直至精度等于或高于目标精度后，输出结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广东工业大学，未经广东工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710470805.6/，转载请声明来源钻瓜专利网。
