【技术实现步骤摘要】
一种基于条件对抗自动编码机的广义零样本图像识别方法
本专利技术涉及一种零样本图像识别方法，尤其涉及一种基于条件对抗自动编码机的广义零样本图像识别方法。
技术介绍
近年来，随着互联网上爆发性的数据增长，新事物不断涌现，难以收集足够的标记数据来训练图像识别模型。为此，专家学者提出了零样本学习的概念，引起了广泛的研究兴趣。零样本学习是受人类认知新事物的过程所启发，企图从有限的知识或者其他的已知事物中，辅以相应的知识描述，认知新事物。零样本学习中可见类是训练过程中能够使用的类，而不可见类是训练过程中不可使用，测试过程中使用的类。即从可见类数据中学习知识，进而能够迁移到不可见类中，进行零样本图像识别。因此能够解决标记数据不足和缺失的难题。现有的零样本学习工作大多数从可见类数据中学习一个视觉-语义映射，然后将此映射泛化到不可见类数据上。然而现有工作大部分在测试过程中仅仅使用不可见类，即仅做了零样本图像识别，未综合判断不可见类数据和可见类数据的准确率。该测试场景是不合理的，因为测试数据既可能来自不可见类，也可能来自可见类。与此不同的是，广...
【技术保护点】
1.一种基于条件对抗自动编码机的广义零样本图像识别方法，其特征在于所述的条件对抗自动编码机采用对抗训练模式，同时生成可见类和不可见类伪样本，包括以下步骤：/n步骤1，构建一个编码器，以图像视觉特征和对应的类别属性串联作为输入，编码成潜在语义表示后输出；/n步骤2，构建一个解码器，以步骤1中的潜在语义表示和对应的类别属性串联作为输入，解码重构出图像视觉特征，计算重构损失；/n步骤3，构建一个判别器，通过对抗训练，将数据潜在语义表示的集成后验分布匹配为一个先验分布，如标准正态分布；从先验分布随机采样的数据为真，潜在语义表示数据为假；/n步骤4，构建和优化总目标函数，迭代更新模型...
【技术特征摘要】
1.一种基于条件对抗自动编码机的广义零样本图像识别方法，其特征在于所述的条件对抗自动编码机采用对抗训练模式，同时生成可见类和不可见类伪样本，包括以下步骤：
步骤1，构建一个编码器，以图像视觉特征和对应的类别属性串联作为输入，编码成潜在语义表示后输出；
步骤2，构建一个解码器，以步骤1中的潜在语义表示和对应的类别属性串联作为输入，解码重构出图像视觉特征，计算重构损失；
步骤3，构建一个判别器，通过对抗训练，将数据潜在语义表示的集成后验分布匹配为一个先验分布，如标准正态分布；从先验分布随机采样的数据为真，潜在语义表示数据为假；
步骤4，构建和优化总目标函数，迭代更新模型的参数，保存解码器模型；
步骤5，采用解码器，串联先验分布的随机采样数据和可见类或不可见类的类别属性，输入到解码器，生成类别对应的伪样本，有监督训练分类器SVM；
步骤6，广义零样本图像识别学习，输入图像视觉特征，SVM分类结果为识别结果。
2.根据权利要求1所述的一种基于条件对抗自动编码机的广义零样本图像识别方法，其特征在于，步骤1具体为编码图像视觉特征和类别属性为潜在语义表示：编码器E定义为概率模型z～q(z|x,a)，采用前向神经网络θE实现，通过该网络，图像的视觉特征x和对应类别属性a的串联数据(x,a)将被编码成潜在表示z，为了能够采用已知分布生成伪样本，将潜在表示强制匹配为一个先验分布p(z)。
3.根据权利要求2所述的一种基于条件对抗自动编码机的广义零样本图像识别方法，其特征在于，步骤2具体为解码潜在语义表示和类别属性为重构的图像视觉特征：解码器G用于从潜在表示z和它对应的类别属性a重构出输入的x，定义为一个深度网络p(x|z,a)，网络参数为θR，输出为x*，即x的重构，解码器在整个对抗自动编码机训练完毕之后将扮演生成器的角色，从已知的分布中采样噪声数据，串联上条件数据，生成训练需要的伪样本数据，训练解码器采用L2范数平方构建的重构损失如公式(1)所示：
4.根据权利要求3所述的一种基于条件对抗自动编码机的广义零样本图像识别方法，其特征在于，步骤3具体为构建判别网络，匹配潜在语义表示的集成后验分布为先验分布：判别器网络D将潜在表示或者从先验分布采样的噪声，与对应的类别属性串联(z，a)作为输入，输出一个概率，指示潜在表示与对应语义嵌入的相关程度，因此...
【专利技术属性】
技术研发人员：钟芳明，邓永红，张元烨，
申请(专利权)人：大连理工大学人工智能大连研究院，大连钜智信息科技有限公司，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。