[發明專利]基于自編碼對抗生成網絡的零樣本學習方法

有效

• 申請號: 201811134484.3
• 申請日: 2018-09-27
• 公開（公告）號: CN109598279B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 于云龍;冀中
• 申請（專利權）人: 天津大學
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06N3/0455;G06N3/0475;G06N3/084
• 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

1.一種基于自編碼對抗生成網絡的零樣本學習方法，其特征在于，包括如下步驟：

1)將可見類別樣本的視覺特征x輸入到編碼器中，在樣本對應的類別語義特征a的監督下得到隱類別語義特征和隱噪聲特征所述的編碼器由三層網絡構成，所述的編碼器結構為：全連接層—隱藏層—全連接層；

2)將樣本對應的類別語義特征a和真實的噪聲特征z輸入到解碼器中，在樣本的真實視覺特征的監督下得到合成的樣本視覺特征解碼器由三層網絡構成，所述的解碼器結構為：全連接層—隱藏層—全連接層；

3)將由隱類別語義特征和隱噪聲特征組成的聯合特征作為假數據，將由類別語義特征a和真實的噪聲特征z組成的聯合特征作為真數據，輸入到類別語義判別器中，得到對應的得分，其中真數據的得分為1，假數據的得分為0；

4)將樣本的視覺特征x作為真數據，合成的視覺特征作為假數據，輸入到視覺判別器中，得到對應的得分，其中真數據的得分為1，假數據的得分為0；

5)根據步驟1)和步驟2)建立自編碼器的目標函數：

其中E，G分別是編碼器，解碼器；w，v分別是編碼器和解碼器對應的參數，是用于約束模型參數的正則項，表示二范數，λ表示所述正則項的平衡參數；

6)根據步驟3)建立類別語義判別器的目標函數：

其中D為語義判別器模型，表示真實的噪聲特征z的期望，表示樣本的視覺特征x的期望，σ表示邏輯函數，[·,·]表示連接函數，r表示語義判別器的參數；

7)根據步驟4)建立視覺判別器的目標函數：

其中D′表示視覺判別器模型，u表示視覺判別器的參數，所述目標函數的最后一項是Lipschitz約束，α是Lipschitz約束的平衡參數；

8)給定正則項的平衡參數λ和Lipschitz約束的平衡參數α的具體值，利用Adam優化器對模型參數進行優化，得到模型參數的最優值；

9)輸入未見類別的語義特征a_t，利用已訓練好的模型參數合成對應類別的視覺特征；

10)對未見類別的測試樣本進行分類。

2.根據權利要求1所述的基于自編碼對抗生成網絡的零樣本學習方法，其特征在于，步驟8)中所述的正則項的平衡參數λ和Lipschitz約束的平衡參數α的選擇范圍為：[0.01,0.001,0.0001]。

3.根據權利要求1所述的基于自編碼對抗生成網絡的零樣本學習方法，其特征在于，步驟10)是根據分類器的不同，有不同的分類方案，若利用無參數的最近鄰分類器，那么測試樣本的分類是利用測試樣本的視覺特征和未見類別的合成視覺特征之間的相似度實現；若利用有參數的分類器，那么測試樣本的分類是利用訓練合成的未見類別的視覺特征實現。