[发明专利]一种基于低秩表示和流形正则化的零样本图像分类方法

摘要

本发明公开了一种基于低秩表示和流形正则化的零样本分类方法，包括：计算可见类数据集中样本的视觉特征与语义特征之间的映射关系；计算不可见类数据集中样本的语义表示；引入稀疏约束并结合拉普拉斯正则约束，计算不可见类数据集中样本的低秩表示；计算权重矩阵和拉普拉斯矩阵；引入流形正则化，去除不可见类数据集中语义表示的噪声；预测不可见类数据集中样本的标签，实现样本分类。本发明设计的基于低秩表示和流形正则化的零样本分类方法有效克服传统分类方法针对样本数量少、样本标签信息丢失等情况下分类精度低的局限性，获得不可见类数据集上更准确的语义表示，增强对数据特征的描述能力，能够有效地提高零样本分类的精度。

主权项

1.一种基于低秩表示和流形正则化的零样本分类方法，其特征在于，包括以下步骤：步骤1：计算可见类数据集中样本的视觉特征X_s和语义表示A_s之间的映射关系f，即f:X_s→A_s，其中可见类数据集为为可见类数据集中样本的视觉特征，p是样本视觉特征的维度，为可见类数据集中样本的语义表示，q是每个样本对应语义表示的维度，c_s为可见类数据集样本的类别总数，m为可见类数据集的样本总数；步骤2：利用映射关系f计算不可见类数据集中样本的语义表示A_u，其中不可见类数据集为为不可见类数据集中样本的视觉特征且c_u为不可见类数据集样本的类别总数，n为不可见类数据集的样本总数，为计算得到的不可见类数据集X_u的语义表示，步骤3：计算不可见类数据集中样本的拉普拉斯正则化的非负稀疏低秩表示Z；步骤4：利用低秩表示Z计算权重矩阵W和拉普拉斯矩阵L；步骤5：引入流形正则化，去除不可见类数据集中的语义表示的噪声；步骤6：利用去噪后的不可见类数据集中的语义表示，预测不可见类数据集中样本的标签，实现样本分类。