基于深度学习和公共空间的零样本学习算法研究

发布时间：2020-12-15 09:23

　　随着人类社会的发展,计算机图像识别在人类生活中变得越来越重要,而近年来信息技术的进步,使得模式识别算法功能越来越强大,但是现代模式识别系统往往受限制于有效的训练数据集的获得,特别是随着对象类别的数量增长,无法获得足够的有标记的图像作为训练数据,导致了这种限制。一种补救办法是利用来自其他来源的数据（如文本数据）来训练视觉模型,预测未知类标签,这种方法被称为零样本学习。本文通过分析当前主流零样本学习算法,基于此提出了三种改进的新的零样本分类模型:1.提出一种基于深度公共空间的零样本学习算法。该算法通过使用深度学习技术,将图像模态的特征提取和语义模态的特征提取联系起来,建立了完整的深度图像特征提取和公共空间嵌入模型。因此该算法可以同时训练图像模态的学习参数和语义模态的特征参数,显著提高了零样本识别效果。2.提出了一种基于结构化深度公共空间的零样本学习算法。该算法注意到零样本学习问题是一个训练图像和测试图像分别属于两个不相互连接的类集合,基于此将输出特征视作结构化对象,通过结构化嵌入引入非线性映射的零样本学习框架,使训练图像集合可以根据适应性函数确定最佳匹配的语义特征。因此该算法具有更好的泛化... 

【文章来源】：南京邮电大学江苏省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

零样本学习大象狮子企鹅......

中间特征表达是为了解决没有类标签的测试图像样本。人类在识别动物时，即使没过，依然能够从一些先验知识中识别出来，例如，通过“鸭子嘴”、“哺乳动物”、“等等特征，识别出鸭嘴兽这一物种。同样，没有类标签的测试图像样本，可以人工的标所具有的这些语义特征。这种比较符合人类概念的人为定义的特征被称为属性特征V.Ferrari 等[40]于 2007 年首次提出，并且证明这种具有语义的图像特征是可以通过有标签本集训练得到。传统的零样本学习正是建立在这种属性特征的基础上，如图 1.3 所示，在测试阶段过对每个属性的描述，零样本学习模型可以由属性特征的组合来预测测试图像的标签，集虽然没有“加菲猫”这个类别。但是测试样本集可以学习到“橘色”、“有毛发”、科动物”、“体积小”、“宠物”等属性特征，而“加菲猫”正是由这些众多属性所定“新”类别。类别-属性关系马柯基犬狮子

.1 零样本分类特征提取算法样本的特征提取是整个模式识别学科中的基础，可以说，分类、回归等问题是建立特征的基础上，特征提取重要性不言而喻。在零样本特征提取方面，由于训练的类集的类集是两个不相连的类空间，所以零样本的特征不仅仅需要有效的表达样本，而且接上述两个类空间。本节中我们先介绍零样本分类中的特征以及特征提取，再介绍基典型特征的零样本分类算法，分别是传统的基于属性特征的零样本分类算法和较前沿词向量特征的零样本分类算法。.1.1 属性特征属性特征作为人工标注的特征提取，目前的获取方式是几个主流的数据集，如 AwA、 A-Pascal/A-Yahoo 等等。属性特征可以看作是类别-属性对应表，如图 2.1 所示。

【参考文献】：
期刊论文
[1]运动目标跟踪算法研究综述[J]. 张娟,毛晓波,陈铁军.  计算机应用研究. 2009(12)
[2]生物特征识别综述[J]. 卢官明,李海波,刘莉.  南京邮电大学学报(自然科学版). 2007(01)
[3]医疗智能诊断系统的实现[J]. 龙硕柱,马光志,赵杰.  计算机辅助工程. 2003(02)
[4]现代身份鉴别新技术——生物特征识别技术[J]. 王蕴红,谭铁牛.  中国基础科学. 2000(09)



本文编号：2918047