[发明专利]一种基于非线性语义嵌入的零样本分类方法

说明书

一种基于非线性语义嵌入的零样本分类方法，包括：建立适用于零样本学习的非线性语义嵌入模型；利用梯度下降法学习到非线性语义嵌入模型中模型参数V,b；利用学习到的模型参数V,b实现零样本分类。本发明的一种基于非线性语义嵌入的零样本分类方法，能够更好地挖掘零样本学习中样本的视觉特征和类别的语义信息之间的语义关联。

技术领域

本发明涉及一种零样本分类方法。特别是涉及一种基于非线性语义嵌入的零样本分类方法。

背景技术

近年来，物体识别领域取得了很大进步，其主要原因有两点：1)利用深度学习的方法可以获得强大的特征描述；2)获得了大量标注类别的数据集。然而，对样本的标注需要大量的时间和人力。另外，当新的类别添加到分类系统时，分类系统需要重新训练参数，对已有的训练参数也需要更新，这个过程需要花费大量的时间。为了解决此问题，零样本学习引起了研究者的关注。

零样本学习的任务是对在训练阶段没有训练样本的未见类别进行分类和预测。此任务主要利用可见类别和未见类别的语义关联将信息从可见类别转移到未见类别。为了测量类别之间的语义信息，所有的类别(包括可见类别和未见类别的)要利用一个语义空间中的高维向量表征，其中，类别属性空间及文本描述空间是常用的语义空间。

为了建立视觉空间和类别语义空间之间的关联，当前流形的方法是利用线性或者双线性的多模态学习方法将特征从某一模态映射到另一模态或者将两种模态的特征映射到一个公共的空间中。由于类别语义空间和样本的视觉空间存在着结构性的差异，因此利用线性或者非线性的方法很难挖掘不同模态之间的语义关联。

发明内容

本发明所要解决的技术问题是，提供一种能够更好地挖掘零样本学习中样本的视觉特征和类别的语义信息之间的语义关联的基于非线性语义嵌入的零样本分类方法。

本发明所采用的技术方案是：一种基于非线性语义嵌入的零样本分类方法，包括如下步骤：

1)建立适用于零样本学习的非线性语义嵌入模型：

其中，f(x_i)表示样本x_i的视觉特征，y_i表示样本对应的类别标签，表示类别y_i的语义特征，M表示训练样本的个数，V,b是需要训练的模型参数，表示正则项，α表示超球体的半径，λ表示权重系数，||·||_F表示Frobenius范数；

2)利用梯度下降法学习到非线性语义嵌入模型中模型参数V,b；

3)利用学习到的模型参数V,b实现零样本分类。

步骤3)所述的零样本分类包括：

(1)利用卷积神经网络提取测试样本x_t的视觉特征f(x_t)；

(2)计算测试样本的视觉特征f(x_i)与未见类别的分类器之间的兼容性得分，并根据得分对测试样本x_t进行预测，

其中S(f(x_t),W_j)表示样本测试样本x_t和类别j之间的兼容性得分，W_j表示第j类别的分类器参数。

第(2)步所述的第j类别的分类器参数W_j为：

W_j＝g(a_j), (3)

其中a_j表示第j类的类别的语义描述，g(·)表示类别描述信息和分类器之间的映射函数；所述映射函数是线性模型或是非线性模型。