基于生成对抗网络的零样本图像分类研究

发布时间：2020-11-01 19:15

　　 图像分类是计算机视觉领域的主要研究内容,随着深度学习的不断发展,人们利用大规模数据训练出不同的深度学习模型,这些模型可以在图像分类任务中取得较好的结果。但在实际应用中,有些图像类别的样本数量较少,难以训练出一个较好的模型,并且人们希望在遇到新的类别时不必重新训练模型。为解决上述问题,研究人员提出了零样本学习这一概念,即研究训练类与测试类互异的分类问题。目前,零样本图像分类任务取得了一定进展,但在训练类与测试类之间建立联系较为困难。为解决这一问题,本文通过生成对抗网络将训练类别的特征表示用于生成测试类别的特征表示,零样本图像分类任务便转换成了经典的图像分类任务。本文的主要工作如下:(1)基于特征生成对抗网络的零样本图像分类:本工作利用生成对抗网络来解决零样本图像分类问题,分别改进生成对抗网络中的生成网络以及判别网络,并设计出基于特征判别的特征生成对抗网络(Feature Discrimination Based on Feature Generative Adversarial Networks,FD-fGAN)模型,该模型能够同时解决经典零样本图像分类问题以及广义零样本图像分类问题。实验结果表明,FD-fGAN网络模型在多个数据集下的分类准确率均高于当前已有的零样本图像分类模型。(2)融入注意力机制的零样本图像分类:本工作将注意力机制融入图像特征生成过程,设计出FD-fGAN-Attention网络模型,以提高生成图像特征的质量,从而得到更高的零样本图像分类准确率。实验结果表明在类别间的差异较小时,融入注意力机制能够进一步提高零样本图像分类模型的性能。
【学位单位】：内蒙古大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP391.41;TP183
【部分图文】：

基于生成对抗网络的零样本图像分类研究我们将这一学习过程比作一个孩子学习新事物的过程。如图1.1所示，若一个孩子从未见过鸭嘴兽，但对鸭子和鼹鼠比较了解，通过父母的描述孩子了解到鸭嘴兽有鸭子一样的扁嘴和有蹼的脚、鼹鼠一样毛茸茸的身体以及松鼠一样毛茸茸的尾巴。孩子通过这些描述以及自己对鸭子和鼹鼠的认知，便会学习到鸭嘴兽的大致样貌，在下一次见到鸭嘴兽时便可以识别出来。在以上过程中，鸭子、鼹鼠和松鼠是已知类别，“扁嘴”、“有蹼的脚”、“毛茸茸的身体”和“毛茸茸的尾巴”等属性是已知类别的语义描述，且这些语义描述与未知类别相关联，由已知类别和语义描述便可以识别出未知类别“鸭嘴兽”。已知类别语义描述未知类别扁嘴和有蹼的脚毛茸茸的身体毛茸茸的尾巴图1.1零样本学习示意图Figure1.1Thediagramofzero-shotlearning在零样本学习任务中，最主要的任务便是图像分类。零样本图像分类可以利用已有的图像样本来对新产生的图像样本进行标记，避免了以往的人工手动标注，减少了人力物力的消耗，从而促进了人工智能的发展。同时，通过对零样本图像分类的研究，可以在智能识别珍稀物种以及智能识别罕见病灶等方面做出巨大贡献。因此对零样本图像分类的研究具有非常重要的意义和应用价值。1.2生成对抗网络的发展与现状受博弈论中双人零和博弈的启发，在2014年Goodfellow等人提出了生成对抗网络（GenerativeAdversarialNetworks，GANs）[9]，它由生成网络和判别网络两部分组成，通过2

内蒙古大学硕士学位论文该数据集在2009年由Lampert等人构建，它由50个动物类别共30475幅图像组成，且每个类别都有85个不同的属性，这些属性信息以one-hot编码的形式存储。该数据集是一个粗粒度的动物图像数据集，其中每个类之间的差距较为明显，其示例如图3.3所示。dolphincolliepanda图3.3AWA数据集示例Figure3.3ExamplesofAWAdataset（2）CUB数据集该数据集在2010年由加州理工学院构建，它由200个不同鸟类共11788幅图像组成，且每个类别都有312个不同的属性。CUB数据集与ImageNet数据集重合，且该数据集是一个细粒度的鸟类图像数据集，其中每个类之间的差异较小，相比AWA数据集更具有挑战性，其示例如图3.4所示。Groove-billedAniSootyAlbatrossWhite-breastedKingfisher图3.4CUB数据集示例Figure3.4ExamplesofCUBdataset（3）SUN数据集19

内蒙古大学硕士学位论文该数据集在2009年由Lampert等人构建，它由50个动物类别共30475幅图像组成，且每个类别都有85个不同的属性，这些属性信息以one-hot编码的形式存储。该数据集是一个粗粒度的动物图像数据集，其中每个类之间的差距较为明显，其示例如图3.3所示。dolphincolliepanda图3.3AWA数据集示例Figure3.3ExamplesofAWAdataset（2）CUB数据集该数据集在2010年由加州理工学院构建，它由200个不同鸟类共11788幅图像组成，且每个类别都有312个不同的属性。CUB数据集与ImageNet数据集重合，且该数据集是一个细粒度的鸟类图像数据集，其中每个类之间的差异较小，相比AWA数据集更具有挑战性，其示例如图3.4所示。Groove-billedAniSootyAlbatrossWhite-breastedKingfisher图3.4CUB数据集示例Figure3.4ExamplesofCUBdataset（3）SUN数据集19
【相似文献】

相关期刊论文 前10条

1 孙曦音;封化民;刘飚;张健毅;;基于GAN的对抗样本生成研究[J];计算机应用与软件;2019年07期

2 贾俊杰;李捷;;基于半监督生成对抗网络的病虫害图像识别算法[J];武汉轻工大学学报;2019年04期

3 龚子超;邹福泰;;基于生成对抗网络的恶意样本识别模型[J];通信技术;2020年06期

4 许少尉;陈思宇;;基于深度学习的图像分类方法[J];电子技术应用;2018年06期

5 郑誉煌;戴冰燕;熊泽珲;陈钊;;基于迁移学习的可回收生活垃圾图像分类识别研究[J];广东第二师范学院学报;2020年03期

6 杨涵方;周向东;;基于深度稀疏辨别的跨领域图像分类[J];计算机工程;2018年04期

7 谢小红;陆建波;李文韬;刘春霞;黄华梅;;基于迁移学习的服装图像分类模型研究[J];计算机应用与软件;2020年09期

8 张晨;杜刚;杜雪涛;;深度模型集成的不良图像分类[J];北京交通大学学报;2017年06期

9 张嘉楠;赵镇东;宣晶;常晓林;;深度学习对抗样本的防御方法综述[J];网络空间安全;2019年08期

10 谢小红;李文韬;;基于迁移学习的图像分类训练方法研究[J];信息与电脑(理论版);2020年07期

相关博士学位论文 前10条

1 王丹;基于无监督与半监督框架的医学图像分类关键技术研究[D];吉林大学;2020年

2 张璐;基于深度空间特征学习的极化SAR图像分类[D];西安电子科技大学;2019年

3 杨宝庆;基于字典学习的图像分类算法及应用研究[D];上海交通大学;2017年

4 唐芃;基于弱监督学习的物体检测及其在图像分类中的应用[D];华中科技大学;2019年

5 郑昱;面向大规模图像分类的层次化多任务学习算法研究[D];西安电子科技大学;2017年

6 郭雨薇;基于超像素表征和模糊特征学习的图像分类与识别[D];西安电子科技大学;2017年

7 李晓;基于迁移学习的跨域图像分类方法研究[D];西安电子科技大学;2017年

8 滑文强;小样本下的极化SAR图像分类问题研究[D];西安电子科技大学;2018年

9 张姝茵;基于判别性特征学习的极化SAR图像分类[D];西安电子科技大学;2018年

10 丁拥科;基于先验信息辅助的高分辨率SAR图像分类方法研究[D];上海交通大学;2017年

相关硕士学位论文 前10条

1 张越;基于生成对抗网络的零样本图像分类研究[D];内蒙古大学;2020年

2 陈海强;基于语义知识的零样本图像分类方法研究[D];电子科技大学;2020年

3 陈晨;基于深度学习及知识挖掘的零样本图像分类[D];中国矿业大学;2016年

4 杨晓杰;基于度量学习的少样本图像分类研究[D];河北师范大学;2020年

5 尹安琪;基于因素空间的零样本图像分类技术研究[D];沈阳理工大学;2020年

6 仇银萍;基于神经网络的小样本图像分类方法研究[D];兰州理工大学;2020年

7 蒋凯;一种关于对抗样本恢复的容忍机制[D];上海交通大学;2019年

8 张海涛;基于不平衡样本集的白细胞图像分类方法的研究与实现[D];吉林大学;2020年

9 李程帅;小样本图像分类与生成算法实现与性能分析[D];山东大学;2020年

10 张春磊;基于稀疏深度学习的图像分类研究[D];华北理工大学;2017年

本文编号：2865966