零样本学习方法在图像分类中的研究与应用

发布时间：2021-10-16 23:01

　　随着机器学习的飞速发展,计算机视觉和语音识别等技术已经取得了显著的效果。但是随着人们生活水平的提升,人们已经不再满足于传统的机器学习中处理大量有标签数据的监督学习方法。人们希望机器能够更加的智能化,能够处理更加符合现实情况的多样化问题。一个更加现实的情况就是,每天都会有大量的新类别的物种出现,在新类别物种出现时,人们需要收集大量的带标签的该物种数据重新训练模型,才能让模型能够准确的识别该类别。但是对于新类别的物种人们可能无法获取大量的带标签的数据,或者需要耗费大量的资源才能获取该类别大量的带标签的数据。所以用传统的机器学习方法让机器来对新类别进行分类识别非常困难,同时需要耗费大量的人力物力。为解决这种让机器准确识别新类别物种的问题,零样本学习快速发展了起来。如何通过已有的先验知识来对未出现过的类别进行识别是零样本学习的研究热点问题。零样本学习可以看作是迁移学习的一个小分支,是迁移学习的一种,源域中包含大量的带标签的数据为已知类,目标域中的数据是没有标签的为未知类。源域中的已知类为训练样本,目标域中的未知类为测试样本,已知类和未知类的标签集是不相交的。在零样本学习中如何将已知类别中学习到... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

零样本识别原理示意图

安徽大学硕士学位论文92.2零样本学习方法的分类零样本学习分类的标准有很多，例如可以根据零样本学习的模型进行分类，分为基于属性预测的方法、基于嵌入空间的方法、基于样本生成的方法。基于嵌入空间的方法可以根据嵌入空间的不同分为基于语义嵌入空间的方法、基于视觉嵌入空间的方法、基于子空间嵌入的方法。也可以根据在训练过程中，未知类的无标签样本是否可用进行分类，可分为直推式零样本学习（训练过程中未知类无标签样本可用）和归纳式零样本学习（训练过程中未知类无标签样本不可用）。还可以根据在测试过程中测试样本是否包含已知类别样本进行分类，可分为传统零样本学习和广义零样本学习。零样本学习的方法分类如图2.1所示。图2.1零样本学习的分类Fig2.1classficationofzero-shotlearning2.2.1基于属性预测的方法在零样本学习提出初期，零样本学习方法多为基于属性预测的方法，这种方法的主要思路是采用人工定义的属性作为语义空间，在训练阶段根据已知类别样本针对每一个属性分别训练分类器，在测试阶段利用训练好的属性分类器对未知类别进行预测。在基于属性预测的方法中2013年Lampert等人[16]提出的直接属性预测(direct

第二章零样本学习概述10attributeprediction,DAP)模型和间接属性预测(indirectattributeprediction,IAP)模型是零样本学习中最具有代表性的工作。如图2.2所示，DAP模型是通过为每个属性学习一个分类器，从而直接学习样本的视觉特征与每一个属性之间的关系。其中},...,,{21kyyyY为训练集(已知类别)的标签集，},...,,{21kzzzZ为测试集(未知类别)的标签集，训练集和测试集类别是不相交的。},...,,{21MaaaA为属性特征矩阵，M为属性的维度，x为输入的样本视觉特征。图2.2DAP模型示意图Fig2.2Directattributeprediction(DAP)对于DAP模型，首先利用已知类别的所有图片，为每个属性ma分别训练分类器，通过图像-属性层可以得到图像视觉空间和属性空间的联系。在测试阶段将学习好的分类器应用到未知类别，对未知类别的样本进行属性预测。xapxapmMm||1(2.1)属性-标签层包含了类别标签与属性间的关系，联合图像-属性层和属性-标签层可以得到测试集图像的类别标签，通过贝叶斯准则可以得到：xapapzpxapazpxzpzmMmzaM||||1}1,0{(2.2)由于缺乏更加具体的类别先验，所以假设具有相同的类先验，这样就可以忽略分子zp，假设一个阶乘分布mMmapap1，则对测试样本x来说，存在一个分类器:zxf，来预测未知类别的标签，最后采用最大后验估计MAP进行分类。MmzmzmLlllapxapxf1,...,1|maxarg(2.3)IAP模型与DAP模型不同，IAP模型在预测的过程中，将训练样本类别标签层加入到样本特征层和属性层之间，预测过程总共分为两步，简单来说就是先通过已知类别的

【参考文献】：
期刊论文
[1]基于深度卷积-递归神经网络的手绘草图识别方法[J]. 赵鹏,刘杨,刘慧婷,姚晟.  计算机辅助设计与图形学学报. 2018(02)



本文编号：3440654