一种基于深度特征映射的集成迁移学习方法和系统技术方案

本公开涉及一种基于深度特征映射的集成迁移学习方法。该方法包括对图像进行预处理以得到经处理的样本集合；对深度卷积神经网络(DCNN)进行预训练；为图像提取视觉特征；将所提取的视觉特征映射到语义特征；建立语义空间与标签空间之间的联系以计算样本特征与标签之间的关系；为样本集合中的数据计算总的损失函数，反向计算梯度，并进行一步更新操作；通过重复上述操作来分别训练得到三个图像特征提取模型；以及集成这三个分类函数以获取最终的分类器。分类器。分类器。

【技术实现步骤摘要】
一种基于深度特征映射的集成迁移学习方法和系统


[0001]本专利技术涉及人工智能领域，尤其涉及迁移学习下的零样本学习领域。

技术介绍

[0002]传统目标识别任务通常要求测试类别在训练阶段有大量训练数据，并且这些方法将系统限制在一个封闭的类别集合中。然而在实际应用中，训练数据集中没有适用于测试集的样本，出现这种情况主要是由于两个原因，首先，现实世界中的样本通常遵循长尾分布，即大部分事物的数量是很少的，因此很难保证所有类别的存在，特别是那些稀有类别；其次，类别集合在不断增长，不可能使数据集保持最新状态。零样本学习(Zero Shot Learning，ZSL)技术的出现，则在一定程度上解决了标签缺失问题，其目的是对未见类的样本进行分类。
[0003]零样本学习作为一种特殊的迁移学习，已经在目标识别任务中得到普及应用。ZSL的目标是将在已见类上训练的分类器应用到这些未见类上，因此ZSL面临的关键挑战是如何对不同类别之间的相关性进行建模，以及如何将知识从已见类迁移到未见类。随着深度学习的不断发展，深度卷积神经网络(Deep Convoluti本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度特征映射的集成迁移学习方法，所述方法包括：(1)对训练图像进行预处理；(2)使用经预处理的训练图像来预训练深度卷积神经网络DCNN；(3)使用经预训练的DCNN来提取所述经预处理的训练图像的视觉特征并将所提取的视觉特征映射到语义空间；(4)在所述经预训练的DCNN中建立所述语义空间到标签空间的映射；(5)在所述经预训练的DCNN中增加属性平衡的正则化约束并对所述经预训练的DCNN进行反向传播训练以得到基于所述经预训练的DCNN的分类器；(6)对一个或多个其他DCNN重复步骤(2)—(5)以生成基于所述一个或多个其他DCNN的分类器；以及(7)集成基于所述经预训练的DCNN以及所述一个或多个其他DCNN的分类器以得到最终分类器。2.如权利要求1所述的方法，其中所述训练图像是RGB三通道彩色图像，并且所述预处理包括对所述训练图像进行对比度归一化以得到新的训练图像集。3.如权利要求1所述的方法，其中所述DCNN是AlexNet模型，并且所述其他DCNN是VGG16模型或GoogleNet模型。4.如权利要求1所述的方法，其中所述预训练包括采用Softmax函数和交叉熵损失函数来对所述DCNN进行训练。5.如权利要求1所述的方法，其中提取所述经预处理的训练图像的视觉特征包括去掉所述经预训练的DCNN的最后一个全连接层并输出高级图像特征。6.如权利要求1所述的方法，其中将所述视觉特征映射到所述语义空间包括：在所述经预训练的DCNN中增加一个无偏置完全连接层；将所述视觉特征作为所述无偏置完全连接层的输入并将属性特征作为输出以映射到属性语义空间；以及通过随机初始化方法来训练出所述无偏置完全连接层的对...

【专利技术属性】
技术研发人员：袁晨晖，王霄雨，袁凯，戴世诚，
申请(专利权)人：天翼数字生活科技有限公司，
类型：发明
国别省市：