论文部分内容阅读
在计算机视觉与模式识别领域中,会面临已标注的训练样本无法涵盖所有目标类的问题,即所谓的零样本问题。由于训练类与测试类之间的分布不同,传统的分类器无法直接用于零样本学习。针对此问题,近年来基于属性学习的研究获得广泛关注。属性不同于图像的底层特征,作为一种高层语义描述,可以被计算机和人理解,因此能够将属性作为训练类与测试类之间一种共享的中间表达,实现从已知训练类到未知测试类之间的知识迁移。目前基于属性学习的方法主要存在以下两点不足:1)训练样本对于分类决策的影响程度相同,所训练的模型无法满足测试类导致分类精度低;2)不同属性对分类决策的重要性相同,影响模型的属性预测精度。基于以上两点不足,本文的主要研究内容为:(1)在传统的属性学习模型中,通常假设每个样本对学习模型的影响程度是相同的,但是由于训练类与测试类之间彼此互斥且分布存在差异性,导致训练后的模型无法满足测试类样本。针对此问题,提出了基于样本加权的间接属性预测(IAP-SaW)模型。首先,求出测试样本底层特征的均值向量,以此作为测试样本的参考样本;然后,分别计算出每个训练样本与该参考样本间的欧氏距离及衡量相关性的余弦相似度,并将二者的比值作为该样本的权值;最后,将样本权值引入到间接属性预测IAP模型的训练中,得到IAP-SaW模型,并将其应用于零样本图像分类。(2)在IAP模型中,通常假设样本的每个属性对分类决策的重要性是相同的,即每一个属性权值都等于1。然而对于实际的属性模型训练阶段,基于这种假设所训练的属性预测模型由于预测的属性不准确,导致最终的图像识别率降低。针对上述问题,提出基于属性权值自适应的间接属性预测(IAP-AAW)模型。首先,利用属性与类别间的关系,计算属性的初始权值;然后,将该权值与训练的属性模型相结合,对训练样本进行分类,得出错误识别率,并基于该错误率对属性权值进行调整;最后,将最终的权值引入到IAP模型中,实现对测试类样本的标签预测。最后分别在多个数据集上进行实验验证,与传统的属性预测模型相比较,所提出的模型能够获得更高的零样本图像分类精度。