[發明專利]一種基于自編碼器的零樣本圖片分類方法

有效

• 申請號: 202011501875.1
• 申請日: 2020-12-18
• 公開（公告）號: CN112487193B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 楊陽;位紀偉
• 申請（專利權）人: 貴州大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于自編碼器的零樣本圖片分類方法，其特征在于，包括以下步驟：

(1)、編碼類級語義特征

設計一個全連接圖卷積網絡作為編碼器，采集類級別的語義特征矩陣C，并構建類別間的知識圖譜A，然后利用編碼器，將知識圖譜A作為鄰接矩陣對語義特征矩陣C進行編碼，輸出類別的隱分布特征矩陣Z：

其中，Encoder(·)表示編碼，G(·)表示堆疊的GCN(圖卷積網絡)層，表示鄰接矩陣的正則化矩陣，W_k為圖卷積網絡第k層的參數矩陣，{W_k}表示參數矩陣集合；

其中，語義特征矩陣C為c_i為類別i的語義特征向量，隱分布特征矩陣Z為z_i為類別i的隱分布特征向量，N為所有類別的數量；

(2)、解碼每個隱分布特征向量

設計一個全連接圖卷積網絡作為解碼器，以每個類別的隱分布向量作為輸入，并為每一類生成一個分類器

其中，f_i為類別i的分類器向量，W_h為圖卷積網絡第h層的參數矩陣，{W_h}表示參數矩陣集合；

(3)、極小化損失函數，訓練自編碼器

構建損失函數L：

其中，M是所有類別中可見類的數量，f′_j為可見類中類別j的語義特征向量c'_j經過構成自編碼器的編碼器、解碼器得到的類別j的分類器向量，為可見類中類別j的真實分類器向量，λ為懲罰因子，q_φ(z'_j|c'_j)是在類別j的語義特征向量c'_j下類別j的隱分布特征向量z'_j的后驗分布，p_θ(z'_j)為隱分布特征向量z'_j的先驗分布，MSE(·，·)表示求兩個向量的均方誤差，D_KL(·||·)表示求兩個分布的KL散度；

通過端到端的方式，依據隨機梯度下降算法更新編碼器參數矩陣集合{W_k}、解碼器參數矩陣集合{W_h}極小化損失函數L來訓練自編碼器；

(4)、零樣本圖片分類

4.1)、將所有N個類別的語義特征向量輸入到自編碼器中，得到每個類別的分類器向量f_i,i＝1,2,…N；

4.2)、用真實分類器向量對應的訓練好的CNN(卷積神經網絡)提取未知類別圖片的視覺特征向量；

4.3)、將未知類別圖片的視覺特征向量與步驟4.1)的每個類別的分類器向量f_i,i＝1,2,…N計算內積值；

4.4)、依據內積值大小，從大到小排列，內積值最大的分類器向量對應的類別就是圖片的類別。