基于自编码器的零样本图像识别算法研究

发布时间：2021-08-13 11:15

　　在零样本图像识别中,标签已知的样本集称为源域,标签未知的样本集称为目标域,源域中样本的类别标签不同于目标域中样本的类别标签。零样本图像识别算法利用语义属性作为桥梁,将源域的知识迁移到目标域,从而识别目标域中样本的标签。已有的零样本图像识别算法将源域中训练出的识别模型直接应用到目标域,忽略了已知类样本集和未知类样本集在样本分布上的差异性,会导致投影域迁移问题。此外,目前的零样本图像识别模型用样本所属类别的原型属性当做样本的属性,导致类内样本属性多样性下降,极大限制了模型的泛化能力。针对上述问题,本文的主要研究内容如下:第一,为了缓解投影域迁移问题,本文提出基于属性约束自编码器的零样本图像识别算法（ACAR）。首先,利用自编码器在源域中训练得到已知类样本的特征到属性空间的投影矩阵。然后,在目标域中使用自编码器,通过添加投影矩阵的约束项将源域的自编码器和目标域的自编码器关联起来。并且在目标域的自编码器中添加未知类样本的属性约束项,通过迭代算法得到未知类别样本的属性。最后,利用余弦相似性预测出未知类样本的标签。此算法同时利用源域的样本信息和目标域的样本信息来学习投影矩阵,结合对未知类属性的约束... 

【文章来源】：南京邮电大学江苏省

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

零样本图像识别示意图

图 2.5 零样本图像识别投影域迁移现象为了缓解投影域迁移问题，一方面，相关工作[12,24,,37,38]提出了一种基于直推式零样本图别的方法，这类方法通常是利用目标域样本的信息对投影函数的训练进行约束。另一方相关工作[20,21,22,42]则研究了基于归纳式零样本图像识别的方法。这些方法通常充分利用源的相关信息，对训练模型添加一些附加约束，从而提高模型的泛化性。 本章小结本章主要对本文研究所涉及的相关知识做了详细介绍。首先介绍零样本图像识别中语义的概念及其性质，并介绍了两种具有代表性的基于属性的零样本图像识别算法：DAP 和。两者都属于归纳式零样本图像识别，不同的是 DAP 模型利用源域的样本为每个属性训性分类器，IAP 模型利用源域的样本为已知类别训练类别分类器。随后介绍了自编码器念原理、特征和应用场景。本章着重介绍了将自编码器引入到零样本学习中的SAE算法，模型的建立和推导过程进行了详细阐述。最后本章介绍了投影域迁移问题：源域中样本

【参考文献】：
期刊论文
[1]图像识别的技术现状和发展趋势[J]. 张家怡.  电脑知识与技术. 2010(21)

硕士论文
[1]基于深度学习及知识挖掘的零样本图像分类[D]. 陈晨.中国矿业大学 2016



本文编号：3340327