基于潜在属性字典学习的零样本细粒度目标分类

发布时间：2021-11-01 13:39

　　基于零样本学习的细粒度目标分类旨在让分类器在即使无训练样本的情况下对同属于一个大类的子类目标进行细粒度的划分,在智慧新零售、人脸识别、智能安防等领域有着十分重要的应用。零样本学习算法通过使用共享知识作为中间媒介实现从己训练过类别到未训练过类别之间的知识迁移,因此分类器可用于未训练过类别样本的分类。目前基于零样本学习的细粒度目标分类研究主要是在单目标分类的场景下直接依赖人工定义的属性作为中间媒介进行知识迁移。此种分类器受限于人工定义属性的表达能力,在细粒度分类任务容易出现视觉特性表征不足问题。在单目标场景下进行分类的设定也限制了细粒度分类器的实际应用。针对上述问题,本文主要的研究内容如下:第一,研究单目标场景下基于属性字典学习的零样本细粒度目标分类相关理论。首先,研究了基于人工定义属性的零样本分类算法,该类算法借助人工定义属性实现知识迁移从而对未训练过的类别样本进行正确分类。但是这一做法存在属性描述能力不足的问题。其次,本文研究了基于潜在属性学习的零样本分类算法,该类算法通过学习潜在属性扩充人工定义属性,弥补现有人工定义属性的描述能力不足的问题。使用联合视觉特征、属性空间和样本标签空间使... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图１－１零样本学习示例??

图１－２?Ｉｎｃｅｔｉｏｎ模块｜３Ｕ｜和残差模块１３１１??

图１－３基于属性的零样本知识迁移??（２）词向量


本文编号：3470208