在零樣本圖像識(shí)別中,標(biāo)簽已知的樣本集稱為源域,標(biāo)簽未知的樣本集稱為目標(biāo)域,源域中樣本的類別標(biāo)簽不同于目標(biāo)域中樣本的類別標(biāo)簽。零樣本圖像識(shí)別算法利用語義屬性作為橋梁,將源域的知識(shí)遷移到目標(biāo)域,從而識(shí)別目標(biāo)域中樣本的標(biāo)簽。已有的零樣本圖像識(shí)別算法將源域中訓(xùn)練出的識(shí)別模型直接應(yīng)用到目標(biāo)域,忽略了已知類樣本集和未知類樣本集在樣本分布上的差異性,會(huì)導(dǎo)致投影域遷移問題。此外,目前的零樣本圖像識(shí)別模型用樣本所屬類別的原型屬性當(dāng)做樣本的屬性,導(dǎo)致類內(nèi)樣本屬性多樣性下降,極大限制了模型的泛化能力。針對(duì)上述問題,本文的主要研究?jī)?nèi)容如下:第一,為了緩解投影域遷移問題,本文提出基于屬性約束自編碼器的零樣本圖像識(shí)別算法（ACAR）。首先,利用自編碼器在源域中訓(xùn)練得到已知類樣本的特征到屬性空間的投影矩陣。然后,在目標(biāo)域中使用自編碼器,通過添加投影矩陣的約束項(xiàng)將源域的自編碼器和目標(biāo)域的自編碼器關(guān)聯(lián)起來。并且在目標(biāo)域的自編碼器中添加未知類樣本的屬性約束項(xiàng),通過迭代算法得到未知類別樣本的屬性。最后,利用余弦相似性預(yù)測(cè)出未知類樣本的標(biāo)簽。此算法同時(shí)利用源域的樣本信息和目標(biāo)域的樣本信息來學(xué)習(xí)投影矩陣,結(jié)合對(duì)未知類屬性的約束... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

零樣本圖像識(shí)別示意圖

圖 2.5 零樣本圖像識(shí)別投影域遷移現(xiàn)象為了緩解投影域遷移問題，一方面，相關(guān)工作[12,24,,37,38]提出了一種基于直推式零樣本圖別的方法，這類方法通常是利用目標(biāo)域樣本的信息對(duì)投影函數(shù)的訓(xùn)練進(jìn)行約束。另一方相關(guān)工作[20,21,22,42]則研究了基于歸納式零樣本圖像識(shí)別的方法。這些方法通常充分利用源的相關(guān)信息，對(duì)訓(xùn)練模型添加一些附加約束，從而提高模型的泛化性。 本章小結(jié)本章主要對(duì)本文研究所涉及的相關(guān)知識(shí)做了詳細(xì)介紹。首先介紹零樣本圖像識(shí)別中語義的概念及其性質(zhì)，并介紹了兩種具有代表性的基于屬性的零樣本圖像識(shí)別算法：DAP 和。兩者都屬于歸納式零樣本圖像識(shí)別，不同的是 DAP 模型利用源域的樣本為每個(gè)屬性訓(xùn)性分類器，IAP 模型利用源域的樣本為已知類別訓(xùn)練類別分類器。隨后介紹了自編碼器念原理、特征和應(yīng)用場(chǎng)景。本章著重介紹了將自編碼器引入到零樣本學(xué)習(xí)中的SAE算法，模型的建立和推導(dǎo)過程進(jìn)行了詳細(xì)闡述。最后本章介紹了投影域遷移問題：源域中樣本

【參考文獻(xiàn)】：
期刊論文
[1]圖像識(shí)別的技術(shù)現(xiàn)狀和發(fā)展趨勢(shì)[J]. 張家怡.  電腦知識(shí)與技術(shù). 2010(21)

碩士論文
[1]基于深度學(xué)習(xí)及知識(shí)挖掘的零樣本圖像分類[D]. 陳晨.中國(guó)礦業(yè)大學(xué) 2016



本文編號(hào)：3340327