基于鲁棒度量学习的零样本图像分类研究

发布时间：2021-07-03 07:00

　　随着互联网技术的发展,每天都会产生大量的数据,为了较好地利用这些数据进行分类,标注工作必不可少。然而,一方面,我们不可能由人工对所有数据进行标注,否则会费时费力;另一方面,人们希望学到的模型不仅能在新样本上具有泛化能力,而且对新类别也能进行识别,这就要求遇到新类别时,模型不必重新训练就可以对未知类别进行分类。因此,如何训练一个对未知类别仍能识别的模型,即零样本学习,吸引了大批专家和学者的关注。语义嵌入模型和公共空间嵌入模型是零样本学习领域比较经典的两个研究方向,前者旨在学习视觉特征空间和语义特征空间之间的映射,后者旨在学习视觉特征空间到公共空间和语义特征空间到公共空间的映射。然而,这两类方法却普遍忽略了数据中潜在的低秩结构,并且度量方式不够鲁棒,本文对这一问题做了深度研究,内容如下:1、语义自编码器（SAE）是一种有效的零样本学习方法,属于语义嵌入模型。该模型在线性自编码器的基础上引入语义信息,通过最小化重构误差,解决零样本图像分类问题。然而,该模型却忽略了数据中潜在的低秩结构,使得学到的投影无法捕捉到样本的判别性信息。另外,SAE使用F范数的平方来度量重构误差,一方面,该范数对噪声或... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容及安排
第二章 零样本学习综述
    2.1 语义表示
    2.2 主要研究方向
        2.2.1 贝叶斯模型
        2.2.2 语义嵌入模型
        2.2.3 公共空间嵌入模型
        2.2.4 深度嵌入模型
    2.3 评价准则
        2.3.1 零样本学习任务评价准则
        2.3.2 广义零样本学习任务评价准则
    2.4 存在的问题
        2.4.1 投影领域漂移问题
        2.4.2 枢纽点问题
    2.5 常用的属性数据集
        2.5.1 SUN数据集
        2.5.2 CUB数据集
        2.5.3 AWA1数据集
        2.5.4 AWA2数据集
        2.5.5 a PY数据集
        2.5.6 Im Net数据集
    2.6 本章小结
第三章 鲁棒语义自编码器
    3.1 概述
    3.2 相关工作
        3.2.1 语义自编码器
        3.2.2 低秩回归模型
    3.3 鲁棒语义自编码器
    3.4 模型分析
    3.5 算法流程
    3.6 分类方法
    3.7 零样本分类实验
        3.7.1 零样本学习任务
        3.7.2 广义零样本学习任务
        3.7.3 混淆矩阵实验
        3.7.4 语义特征空间的二维投影实验
        3.7.5 收敛性分析
    3.8 本章小结
第四章 标签空间激活模型
    4.1 概述
    4.2 标签空间激活框架及模型
    4.3 分类方法
    4.4 零样本分类实验
        4.4.1 零样本学习任务
        4.4.2 广义零样本学习任务
        4.4.3 混淆矩阵实验
        4.4.4 标签空间的二维投影实验
        4.4.5 收敛性分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于局部保持典型相关分析的零样本动作识别[J]. 冀中,郭威辰.  天津大学学报(自然科学与工程技术版). 2017(09)
[2]基于混合属性的零样本图像分类[J]. 程玉虎,乔雪,王雪松.  电子学报. 2017(06)
[3]基于共享特征相对属性的零样本图像分类[J]. 乔雪,彭晨,段贺,张钰尧.  电子与信息学报. 2017(07)
[4]基于属性关系图正则化特征选择的零样本分类[J]. 巩萍,程玉虎,王雪松.  中国矿业大学学报. 2015(06)



本文编号：3262112