[发明专利]一种基于混合属性学习的小样本目标识别方法

说明书

本发明公开一种基于混合属性学习的小样本目标识别方法。本发明首先定义语义属性并获取辅助样本；将目标训练样本输入用于获得隐属性的特征子网络，输出目标训练样本的隐属性特征。将辅助样本输入用于获得语义属性的特征子网络，用于获得辅助样本的语义属性特征。将提取到的特征进行字典学习，获得对特征的编码。将编码后包含语义属性和隐属性的数据输入多分类器进行分类训练，得到分类网络，用于后续对目标进行分类。该方法克服了其它方法只存在较好的解释性而鉴别能力较差，或者只存在较好的鉴别能力而解释性较差的缺点，综合了语义属性与隐属性的优势，兼顾可解释性与鉴别能力。

技术领域

本发明属于目标识别领域，涉及一种基于混合属性(语义属性/隐属性)学习的小样本目标识别方法。

背景技术

小样本目标识别:与深度学习相关的目标识别模型是数据驱动方式的，而样本量少成为模型识别精度的阻碍，小样本的目标识别成为了一个研究热点。现存的小样本目标识别方法没有综合考虑可解释性和鉴别能力。可解释性好的模型，通常鉴别能力较差；鉴别能力好的模型，通常可解释性较差。

属性学习:属性学习是通过建立底层特征与属性的关系、属性与类别等高等信息的关系的学习方式。属性学习可以将类别不同但带有相同属性的样本融合进行模型训练。这种方式能够扩充样本数量，提高泛化能力。

联合字典学习：联合字典学习是一种尝试使用最少的数据表示当前数据的学习方式。字典学习所学习的是蕴藏在样本背后最质朴的特征。字典学习实质上是对于庞大数据集的一种降维表示。字典学习相当于一种对数据的重新编码方式。

发明内容

本发明针对现有技术的不足，提出了一种基于混合属性(语义属性/隐属性)学习的小样本目标识别方法。该方法克服了其它方法只存在较好的解释性而鉴别能力较差，或者只存在较好的鉴别能力而解释性较差的缺点，综合了语义属性与隐属性的优势，兼顾可解释性与鉴别能力。

本发明方法具体是：

步骤(1)、定义语义属性并获取辅助样本

根据所要学习的目标定义语义属性，同时获取包含所定义的语义属性但与目标对象不同类别的样本作为辅助样本。所述的语义属性包括但不限于：形状属性、材质属性、是否包含重要构建属性。

步骤(2)、构建特征子网络

其中特征子网络分为两个，一个用于提取目标训练样本的隐属性，另一个用于提取辅助样本的语义属性。

卷积神经网络的前几层特征是类似的，参数可以复用的。所以，将经过训练的AlexNet的前2层作为提取目标训练样本的隐属性的特征子网络，用于提取底层的隐属性特征。其中底层的隐属性特征包括但不限于：边缘特征、线特征、点特征等低级特征。

更深的网络能够获得语义属性，将AlexNet的前3层作为获得语义属性的特征子网络。并将获得语义属性的特征子网络和获得隐属性的特征子网络称为特征子网络。

步骤(3)、将目标训练样本和辅助样本输入特征子网络提取特征

将目标训练样本输入用于获得隐属性的特征子网络，输出目标训练样本的隐属性特征。将辅助样本输入用于获得语义属性的特征子网络，用于获得辅助样本的语义属性特征。

步骤(4)、将提取到的特征进行字典学习，获得对特征的编码

在字典学习的框架下，学习特征子网络输出的隐属性特征与语义属性特征相关的联合字典，其中语义属性相关字典的构建综合利用了目标训练样本与辅助样本中的信息。

联合字典学习需要综合考虑多方面的约束条件。其中的一个约束是在当前字典下目标样本要有小的重构误差，对应的损失函数为：