[发明专利]基于判别性视觉属性的零样本识别方法及系统

权利要求书

1.一种基于判别性视觉属性的零样本识别方法，其特征在于，包括以下步骤：

S1：构建稀疏编码模型，基于原特征域样本数据优化所述稀疏编码模型得到视觉特征到人工定义属性表示的原特征域变换关系；

S2：引入分类错误代价项构建监督字典学习目标模型，提取原特征域判别性视觉属性集合；所述监督字典学习目标模型为：

其中，表示原特征域判别性视觉属性集合，为视觉特征F_s在上的语义属性表示，为中的一个子集，为分类错误代价项，C_s为原特征域对象类别的总数，w_i、b_i为分类错误代价项的参数，λ₁、λ₂为权重系数；

所述分类错误代价项采用支持向量机SVM hinge loss损失函数，所述分类错误代价项为：

w_i、b_i为分类器参数，γ为权重系数，y_i表示对应于第i个对象类别的标签向量；

判别性视觉属性单元中令表示第i个对象类别中对应第k个样本数据的语义属性表示；

S3：基于所述原特征域变换关系以及所述原特征域判别性视觉属性集合，构建目标特征域学习模型，挖掘目标特征域判别性视觉属性；所述目标特征域学习模型为：

其中，F_u为目标特征域样本数据的视觉特征，D_u表示目标特征域中视觉特征空间与语义嵌入空间的变换关系，A_u为视觉特征F_u在D_u上的语义属性表示；表示从目标特征域获取的判别性视觉属性集合，则表示视觉特征在视觉属性集合上的表示系数，α,β,η为权重参数；

S4：输入包含语义对象的待测图像，通过深度残差网络提取所述待测图像的深度视觉特征，并优化稀疏编码目标函数，得到所述待测图像视觉特征的语义属性表示。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中的稀疏编码模型为：

其中，F_s表示原特征域图像样本的视觉特征集合，A_s表示基于人工定义的属性，D_s表示原特征域变换关系，d_i为对应于D_s中的第i个列向量。

3.根据权利要求1所述的方法，其特征在于，所述步骤S4中的稀疏编码目标函数为：

其中，f表示所述待测图像的深度视觉特征，D_u为目标特征域中视觉特征与语义属性表示间的变换关系，y为视觉特征f基于变换矩阵D_u的语义属性表示，参数μ为控制特征向量y稀疏性的权重系数。

4.根据权利要求1-3任一项所述的方法，其特征在于，还包括步骤：

S5：根据所述待测图像视觉特征的语义属性表示利用最近领域搜索算法实现所述待测图像语义标签的预测，完成所述待测图像的零样本的语义对象识别。