基于训练样本属性约束的零样本识别算法研究

发布时间：2021-01-13 04:48

　　传统监督学习存在以下几个弊端:（1）给训练样本标注标签需要耗费大量人力和时间,代价昂贵。（2）可能会出现很难收集到某些类测试样本的同类训练样本。（3）在训练样本上学习的分类器泛化性能不高,即标签预测准确率较低。基于上述三个不足之处,有专家学者提出用零样本识别代替传统监督学习。零样本识别可以减少训练成本,同时显著提高识别率,因此具有巨大研究价值和广泛应用前景。零样本识别是利用已知标签训练样本的语义知识迁移完成测试样本标签预测,但是训练集和测试集没有交集,从训练样本学习的属性分类器必然无法完全适用于所有未见过的测试样本,会导致测试样本的预测属性不准确,与未知类别类原型属性发生偏移,即产生语义迁移问题。因此,研究如何缓解语义迁移对零样本识别的影响有重要意义,我们的主要工作如下所示:第一,我们提出了基于类间属性约束的语义自编码算法（SAOICAC算法）。此算法针对当前主流的SAE算法用类原型属性代替样本属性这一缺陷提出的。首先,我们在训练样本上基于语义自编码和视觉语义相似性约束一起学习属性分类器。然后,通过训练的属性分类器预测测试样本未知属性。最后,利用标签分类器获得测试样本标签。SAOICA... 

【文章来源】：南京邮电大学江苏省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

零样本识别示例

我们很难收集到大量且高质量的其同类图片进行分类器模型学习熊猫”、“斑马”和“大象”等容易采集到样本图像来训练分类器对测试样本集进行标签预测。零样本识别可以减少训练样本数量学习中同类训练样本可能缺失的不足，而且识别率较高，在图像关注。别简介别中，根据其定义可知，训练样本和测试样本间不存在交集。那起来的呢？一般是将语义空间[16,38]作为连接训练集和测试集之间语义属性[5,11,52,59]空间和语义词向量空间[15,36,37]两大类，因为语义泛应用，在整个论文中我们就详细介绍基于语义属性的零样本识别

学专业学位硕士研究生学位论文 第一章 绪属性分类器必然无法完全适用于所有未见过的测试样本，这样就会使属性分类样本属性和其真实属性之间产生偏差，即预测的测试样本属性不准确，与其类生偏移，这就是语义迁移问题，通过标签分类器与未知类别类原型属性对比得标签就有可能是错误的，识别率也会随之降低，语义迁移问题如图 1.5 所示。迁移对识别率的影响成为现在零样本识别领域专家学者们研究的重点。


本文编号：2974246