[發明專利]一種無同類訓練樣本情形下的圖像識別方法

在審

• 申請號: 201810335966.9
• 申請日: 2018-04-13
• 公開（公告）號: CN108615052A
• 公開（公告）日: 2018-10-02
• 發明（設計）人: 吳松松;王堃;孫廣成;荊曉遠;岳東
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種無同類訓練樣本情形下的圖像識別方法，其特征在于：包括如下步驟：

步驟1)針對給定的已知類別訓練樣本中包含的屬性噪聲問題，利用正太分布虛擬出已知類別訓練樣本的真實屬性；

步驟2)針對無同類訓練樣本情形下圖像識別中存在的語義遷移問題，根據步驟1)計算出的給定的已知類別訓練樣本真實屬性，學習一個從已知類別訓練樣本的特征到已知類別訓練樣本真實屬性的編碼器，再學習一個將已知類別訓練樣本真實屬性映射到特征空間的解碼器，采用編碼器-解碼器模型學習一個屬性預測器預測待測試未知類別樣本的屬性；

步驟3)用步驟2)得到的屬性預測器預測待測試未知類別樣本的屬性，并將預測到的待測試未知類別樣本的屬性通過最近鄰分類器與待測試未知類別樣本的原型屬性比對，以得到待測試未知類別樣本的標簽。

2.根據權利要求1所述的一種無同類訓練樣本情形下的圖像識別方法，其特征在于：步驟1)中所述的給定的已知類別訓練樣本中包含C_s類共計Ns幅圖像，給定的已知類別訓練樣本集表示如下：

其中，給定的已知類別訓練樣本的特征表示如下：

上式中，d為樣本特征維度；

其中，給定的已知類別訓練樣本的屬性表示如下：

上式中，k為樣本屬性維度；

給定的已知類別訓練樣本集中包含的所有已知類別原型屬性表示如下：

根據給定的已知類別訓練樣本的屬性，利用正太分布虛擬出的已知類別訓練樣本的真實屬性表示如下：

3.根據權利要求2所述的一種無同類訓練樣本情形下的圖像識別方法，其特征在于：所述步驟2)的詳細步驟如下：

步驟2.1)學習一個從已知類別訓練樣本特征X_s到其虛擬的真實屬性Y_s的編碼器W∈R^k×d即WX_s＝Y_s，然后又學習一個將Y_s映射到特征空間的解碼器W^*，得到一個新的關于已知類別訓練樣本的特征表示X′即X′＝W^*Y_s＝W^*WX_s，為了使得X′和X_s之間的誤差盡可能小，因此寫出如下目標函數：

其中||·||_F為F-范數，式(6)中包含兩個變量，為化簡方便，假設W^*W＝W^T式(6)因此寫成：

其中λ為過擬合控制系數，結合步驟1)，我們寫出最終的目標函數：

是第i幅已知類別訓練樣本的虛擬真實屬性，i∈1、2、......N_s，是第j類已知類別訓練樣本的原型屬性，j∈1、2......C_s：如果屬于第j類已知類別則m_i，j＝1，否則m_i，j＝0，λ₁為過擬合控制系數；式(8)和兩個變量有關，將其分解成兩個最優化問題來分別進行求解：

針對式(9)，我們對其進行求導置零可得：

W＝sylvester(A，B，C) (11)

式(11)是一個sylvester方程，其中

針對式(10)，同樣采用求導置零的方法得：

其中為N_s階的單位矩陣；

步驟2.2)利用分別最優化的方法求出Y_s和W的表達式，接下來我們利用如下迭代公式求出最優Y_s：

其中α＝0.01，Y_i是第i次迭代的已知類別訓練樣本虛擬屬性表示，確定最優的Y_s＝Y_i后，我們利用式(11)可求出最優編碼器即屬性預測器W。

4.根據權利要求3所述的一種無同類訓練樣本情形下的圖像識別方法，其特征在于：所述步驟3)的詳細步驟如下：

步驟3.1)選取C_t類待測試未知類別樣本作為模型測試樣本，其原型屬性已知且表示如下：

步驟3.2)利用步驟2)得到的屬性預測器W來預測C_t類待測試樣本的屬性，最后把預測的待測試樣本的屬性與給定的C_t類待測試樣本的原型屬性通過最近鄰分類器比對得到所有未知類別樣本的標簽，其中我們采用如下最近鄰分類器模型：

其中C_j為第k個待測試未知類別樣本的標簽j，其中k∈1，2，，，，，t；為第k個待測試未知類別樣本的屬性，為第j類未知類別的原型屬性。