[發明專利]一種基于字典學習的零樣本分類方法

在審

• 申請號: 201710722442.0
• 申請日: 2017-08-21
• 公開（公告）號: CN107491788A
• 公開（公告）日: 2017-12-19
• 發明（設計）人: 于云龍;冀中;龐彥偉
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/30
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 杜文茹

技術領域

本發明涉及一種零樣本分類方法。特別是涉及一種將類別的語義信息映射到一個更具有判別性的隱空間中，并結合字典學習提高模型的可預測性的基于字典學習的零樣本分類方法。

背景技術

與傳統的分類不同，零樣本分類是對訓練時未出現過的類別的樣本進行分類。顯然，利用傳統的單模態分類方法不能解決零樣本分類問題。為了解決這一問題，研究者們利用語義特征挖掘訓練類別和未訓練類別之間的關系，從而實現對測試樣本的分類。在類別的語義特征空間，類和類之間的語義關系可以利用語義特征來衡量。由于表示類別的語義特征無法直接獲得，只能利用某種輔助語義特征近似表示。當前用于表示類別的語義特征主要有屬性特征和文本特征兩種，然后建立視覺特征和語義特征之間的映射關系。但是屬性或者詞向量這些語義信息之間存在一定的冗余信息，所以利用別語義這些語義信息作為特征會降低模型的判別性。

當前的零樣本分類方法主要分為兩種：一種是在訓練時利用訓練樣本學習一個映射矩陣，將底層的視覺特征映射到類別語義空間中，或者將樣本視覺特征和樣本的類別語義特征映射到一個公共的隱空間中，然后在測試時利用映射矩陣將測試樣本映射到類別的語義空間或者公共的隱空間中，計算測試樣本與所有未訓練類別的相似度，并利用最近鄰方法對測試樣本進行分類；另一種方法是利用訓練樣本學習一個兼容矩陣，通過兼容矩陣可以計算底層的視覺特征和類別語義特征之間的相似度，對于測試樣本，利用學習到的兼容矩陣計算測試樣本與所有未訓練類別之間的相似度，然后利用分類器對測試樣本的類別進行預測。

發明內容

本發明所要解決的技術問題是，提供一種能夠實現不同模態的特征到類別空間之間轉移的基于字典學習的零樣本分類方法。

本發明所采用的技術方案是：一種基于字典學習的零樣本分類方法，包括如下步驟：

1)建立適用于零樣本學習的字典學習模型：

其中，N表示訓練樣本的個數，表示第i個樣本的視覺特征，d_x是樣本的視覺特征的維度；D為需要學習的字典矩陣；表示N個樣本在隱空間中的嵌入特征，c_i為x_i在隱空間中的嵌入特征；P為轉移矩陣；表示N個樣本所對應的類別語義特征，表示第i個樣本所對應的類別語義特征，d_y是類別相應語義特征的維度；λ表示權重系數；||·||_F表示Frobenius范數；

2)利用字典學習模型學習字典矩陣D和轉移矩陣P；

3)利用學習到的字典矩陣D和轉移矩陣P實現零樣本分類。

步驟2)所述的學習字典矩陣D和轉移矩陣P包括：

(1)首先：初始化字典矩陣D和轉移矩陣P，對隱空間中的嵌入特征C進行更新：優化問題變為公式：

所述公式是一個最小二乘優化問題，所以得到嵌入特征C的顯式表示：

C＝(D^TD+λI)^-1(λPY+D^TX)(3)

(2)固定字典矩陣D和嵌入特征C，對轉移矩陣P進行更新：

得到轉移矩陣P的顯式表示：

P^*＝λCY(λYY^T+τI)^-1(5)

(3)固定嵌入特征C和轉移矩陣P，對字典矩陣D進行更新：

對字典矩陣D的優化目標函數通過交替方向乘子法進行優化；

(4)重復第(1)步～第(3)步直到收斂為止。

第(4)步所述收斂的條件為：兩次相鄰迭代的變化之差小于設定的閾值。

步驟3)所述的零樣本分類是采用如下公式進行：

其中，x_t為測試樣本，是m個測試類別的類別語義特征。

本發明的一種基于字典學習的零樣本分類方法，首先將類別語義特征映射到一個能保持語義判別信息的隱空間中，并結合字典學習的方法利用隱空間的特征對原始的視覺特征進行重構。其優勢主要體現在：

1、新穎性:首次將稀疏字典學習的思想應用到零樣本分類中，利用類別語義特征所對應的隱空間特征，對原始的視覺特征進行重構，并提出一種聯合優化的方法，能夠更好地挖掘不同模態之間的語義判別信息。