[发明专利]一种基于混合属性学习的小样本目标识别方法

摘要

本发明公开一种基于混合属性学习的小样本目标识别方法。本发明首先定义语义属性并获取辅助样本；将目标训练样本输入用于获得隐属性的特征子网络，输出目标训练样本的隐属性特征。将辅助样本输入用于获得语义属性的特征子网络，用于获得辅助样本的语义属性特征。将提取到的特征进行字典学习，获得对特征的编码。将编码后包含语义属性和隐属性的数据输入多分类器进行分类训练，得到分类网络，用于后续对目标进行分类。该方法克服了其它方法只存在较好的解释性而鉴别能力较差，或者只存在较好的鉴别能力而解释性较差的缺点，综合了语义属性与隐属性的优势，兼顾可解释性与鉴别能力。

主权项

1.一种基于混合属性学习的小样本目标识别方法，其特征在于该方法具体是：步骤(1)、定义语义属性并获取辅助样本根据所要学习的目标定义语义属性，同时获取包含所定义的语义属性但与目标对象不同类别的样本作为辅助样本；所述的语义属性包括但不限于：形状属性、材质属性、是否包含重要构建属性；步骤(2)、构建两个特征子网络：一个用于提取目标训练样本的隐属性，另一个用于提取辅助样本的语义属性；将经过训练的AlexNet的前2层作为提取目标训练样本的隐属性的特征子网络，用于提取底层的隐属性特征；其中底层的隐属性特征包括但不限于：边缘特征、线特征、点特征等低级特征；将AlexNet的前3层作为提取辅助样本的语义属性的特征子网络，用于提取底层的语义属性特征；步骤(3)、将目标训练样本和辅助样本输入特征子网络提取特征将目标训练样本输入用于获得隐属性的特征子网络，输出目标训练样本的隐属性特征；将辅助样本输入用于获得语义属性的特征子网络，用于获得辅助样本的语义属性特征；步骤(4)、将提取到的特征进行字典学习，获得对特征的编码在字典学习的框架下，学习特征子网络输出的隐属性特征与语义属性特征相关的联合字典，其中语义属性相关字典的构建综合利用了目标训练样本与辅助样本中的信息；联合字典学习的第一个约束是在当前字典下目标样本要有小的重构误差，对应的损失函数为：其中，D^u,D^d分别是用户定义的语义属性相关字典、隐属性字典；Y_T是目标训练样本集合，是Y_T对应的D^u,D^d的编码集合；第二个约束是当前字典下，目标训练样本的编码具备高的可鉴别性，亦即高可分性，对应的损失函数为：其中，是第i个目标训练样本对应的隐属性编码，m_i,j用于表征第i，j个目标训练样本的类别标签是否一致；第三个约束是当前字典对用户定义的语义属性具有比较高的还原能力，对应的损失函数为：其中，是全部样本集合的语义属性编码，A是全部样本集合的语义属性标注，W是线性变换矩阵；由此，总的优化目标函数为：其中λd、λa是权重系数；对总的优化目标函数进行训练，得到对语义属性特征和隐属性特征的编码方式；步骤(5)、将编码后包含语义属性和隐属性的数据输入多分类器进行分类训练，得到分类网络，用于后续对目标进行分类。