一种基于凸优化理论的抗噪声零样本图像分类方法技术

本发明专利技术公开基于凸优化理论的抗噪声零样本图像分类方法，提取待分类图片的视觉特征，输入预先训练获得的视觉

【技术实现步骤摘要】
一种基于凸优化理论的抗噪声零样本图像分类方法


[0001]本专利技术涉及一种基于凸优化理论的抗噪声零样本图像分类方法，属于图像分类


技术介绍

[0002]对于图片识别来说，传统的模式识别方法需要使用大量的良好标记图片进行训练，以保证模型的泛化性能，但在许多现实场景中对细粒度图片样本进行标记往往需要专业的领域知识，因此，为所有类别收集大量的标记良好的样本仍然是一个挑战。为了解决这个问题，零样本学习（Zero Shot Learning，简称ZSL）得到越来越多的关注。
[0003]ZSL试图通过从已见类（有现成样本的类别）的标记样本中获取迁移知识，构建能够识别未见类（没有现成样本的类别，即零样本类）样本的分类模型。
[0004]2017年发表的Prototypical networks for few
‑
shot learning[J]. Advances in neural information processing systems, 2017, 30中提出了原型网络模型，原型网络将类别中的各样本映本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于凸优化理论的抗噪声零样本图像分类方法，其特征在于，包括：获取待分类图片；提取待分类图片的视觉特征；将待分类图片的视觉特征输入预先训练获得的视觉
‑
语义映射模型，输出待分类图片的类别语义属性；利用图模型降噪算法，将待分类图片的视觉特征空间和预测输出待分类图片的类别语义属性空间进行流形对齐，获得最终的待分类图片的类别语义属性。2.根据权利要求1所述的一种基于凸优化理论的抗噪声零样本图像分类方法，其特征在于，预先训练获得视觉
‑
语义映射模型，通过以下步骤实现：步骤(1)，获取已见类训练集，已见类训练集包括图片样本的视觉特征和图片样本的类别语义属性；步骤(2)，构建视觉
‑
语义映射模型，将图片样本的视觉特征作为视觉
‑
语义映射模型的输入，将图片样本的类别语义属性作为视觉
‑
语义映射模型的输出；利用类别语义属性空间相似度和噪声鲁棒损失函数，建立鲁棒优化问题；步骤(3)，使用凸凹迭代方法，将求解鲁棒优化问题转化为求解一系列子优化问题，直至连续两次子优化问题的相似度小于设定的子优化值；步骤(4)，使用交替方向乘子法对子优化问题变量进行更新迭代，直至各个子优化问题变量在两次连续迭代中的变化量小于定值，确定视觉
‑
语义映射模型中的相关参量，从而获得最终的视觉
‑
语义映射模型。3.根据权利要求2所述的一种基于凸优化理论的抗噪声零样本图像分类方法，其特征在于，步骤(5)，获取未见类测试集；将未见类测试集输入最终的视觉
‑
语义映射模型，获得未见类测试集的预测类别语义属性；利用图模型降噪算法，将未见类测试集的视觉特征空间与未见类测试集的预测类别语义属性空间进行流形对齐，获得未见类测试集最终的类别语义属性；基于未见类测试集最终的类别语义属性和各个未见类的类别语义属性，确定未见类测试集中每个图片样本最终的预测类别；根据未见类测试集中图片样本的真实类别，统计未见类测试集中图片样本最终的预测类别的正确数量，并计算未见类测试集的类别预测准确率；若未见类测试集的类别预测准确率大于设定的未见类阈值，则判定最终的视觉
‑
语义映射模型合格。4.根据权利要求2所述的一种基于凸优化理论的抗噪声零样本图像分类方法，其特征在于，步骤(2)，构建视觉
‑
语义映射模型，通过以下步骤实现：视觉
‑
语义映射模型的表达式为：，
式中，y为图片样本的类别语义属性，W为潜在子空间到类别语义属性的投影矩阵，x为图片样本的视觉特征，Q为视觉特征到潜在子空间的投影矩阵，T为转置；步骤(2)，利用类别语义属性空间相似度和噪声鲁棒损失函数，建立鲁棒优化问题，通过以下步骤实现：建立类别语义属性空间的相似度模型，最大化图片样本的视觉特征在类别语义属性空间的投影与图片样本对应的类别语义属性的相似度；在视觉
‑
语义映射模型中添加一个潜在子空间，建立优化问题：（1）式中，P为潜在子空间到视觉特征的逆投影矩阵，Q为视觉特征到潜在子空间的投影矩阵，W为潜在子空间到类别语义属性的投影矩阵，B为视觉特征到类别语义属性的投影矩阵，n为已见类训练集中的图片样本数量，cs为已见类训练集中已见类的数量，x
i
为已见类训练集中第i个图片样本的视觉特征，y
zi
为x
i
所对应类别的类别语义属性，y
j
为第j个已见类的类别语义属性，β1和β2为权系数，为W的F
‑
范数，为Q的F
‑
范数，T为转置，I为单位矩阵，X为已见类训练集中所有图片样本的视觉特征矩阵；噪声鲁棒损失函数采用Ramp型损失函数，Ramp型损失函数的表达式为：（2），（3）；式中，u
i
为因变量，t为设定的参数，L（u
i
）为Ramp型损失函数计算的损失值；采用Ramp型损失函数更新公式（1）中的优化问题，得到鲁棒优化问题，鲁棒优化问题的表达式为：，（4）。5.根据权利要求4所述的一种基于凸优化理论的抗噪声零样本图像分类方法，其特征在于，步骤(3)，使用凸凹迭代方法，将求...

【专利技术属性】
技术研发人员：汤龙，赵攀，潘志庚，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：