[发明专利]基于特征优化的混合广义零样本学习方法

权利要求书

1.基于特征优化的混合广义零样本学习方法，其特征在于：包括如下步骤：

S1，模型训练阶段，训练集由可见类样本组成；随机在训练集中选择部分样本输入到模型中进行训练；具体输入包括：可见类真实的视觉特征x以及相对应的属性特征a；

S2，属性特征a与随机生成的高斯噪声∈～N(0,I)输入到生成器G中，生成对应的生成视觉特征x⁺；

S3，真实视觉特征x与S2中相应的生成视觉特征x⁺以及属性特征a一起输入到鉴别器D中，鉴别器区分出(x⁺,a)与(x,a)中的真实样本对和生成样本对；

S4，与S3同时，将真实视觉特征x与S2中相应的生成视觉特征x⁺输入到映射器中，输出为映射后的真实视觉特征h与映射后的生成样本特征h⁺；

S5，将S4中的输出输入到特征优化模块，映射得到高斯分布(μ,∈)，并经过变分自编码器中提出的重参数化技巧计算输出重建后的属性特征

S6，计算S2与S3过程中的损失函数L₁；

S7，计算S5中的语义周期一致性损失L_{R_a}与对比损失L_con；

S8，根据损失函数L₁，语义周期一致性损失L_{R_a}与对比损失L_con计算整体损失L，对模型进行反向传播优化参数；

S9，利用S8中学习到的模型，为不可见类根据属性特征生成对应的视觉特征，并将生成的不可见类视觉特征与真实的可见类特征输入到映射模块，输出映射后的视觉特征h；

S10，利用S9中输出的嵌入后的视觉特征，在嵌入空间中训练一个Softmax分类器；

S11，将S10中训练好的分类器对测试集进行测试，得到分类精度。

2.根据权利要求1所述的基于特征优化的混合广义零样本学习方法，其特征在于：步骤S4中，映射器由一层线性层组成。

3.根据权利要求1所述的基于特征优化的混合广义零样本学习方法，其特征在于：步骤S5中，特征优化模块有两个线性层组成。

4.根据权利要求1所述的基于特征优化的混合广义零样本学习方法，其特征在于：步骤S6中，损失函数L₁如下：

其中，p_G(x⁺,a)＝p_G(x⁺|a)p(a)为一个生成特征及其对应的语义特征的联合分布，E表示求期望值，D表示鉴别器，x⁺表示与真实视觉特征x对应的生成视觉特征。

5.根据权利要求4所述的基于特征优化的混合广义零样本学习方法，其特征在于：步骤S7中，语义周期一致性损失L_{R_a}与对比损失L_con如下：

其中，是真实图像特征x在特征优化模块的输出，是生成图像特征x⁺在特征优化模块的输出，E为求期望值，a是x或x⁺对应的属性特征，τ_e0是常数参数，和分别代表与属于同一类别和与属于不同类别，的下标i表示第i个，K是负例的个数。

6.根据权利要求5所述的基于特征优化的混合广义零样本学习方法，其特征在于：步骤S8中，模型整体损失L如下：

L＝L₁+α(L_{R_a}+L_con)

其中，α是权重系数。

7.根据权利要求1所述的基于特征优化的混合广义零样本学习方法，其特征在于：步骤S9中，映射模块通过一层线性层，将生成的不可见类视觉特征与真实的可见类特征映射到一个嵌入空间中，输出映射后的视觉特征h。

8.根据权利要求1所述的基于特征优化的混合广义零样本学习方法，其特征在于：步骤S11中，针对广义零样本学习，测试集包括可见类样本和不可见类样本。