论文部分内容阅读
传统的分类方法通常不能解决在学习阶段之后可能出现新类别的场景。零样本学习通过提供新类别的高级描述，在不需要训练实例的情况下识别新类别。在日常生活中，零样本图像识别能够解决图像自动标注问题，还可以应用到智能视频监控，人体行为检测和检测新的生物物种等场景，因此对零样本图像识别进行研究是非常有意义的。
针对目前零样本学习的研究现状，考虑到现有零样本学习方法没有充分考虑模型在标签空间上的表现，在学习图像特征空间到图像属性空间的映射关系矩阵的过程中，首先考虑加入图像的标签空间，使得样本在属性空间、特征空间和标签空间映射过程中保持一致性，这三个空间对映射矩阵的学习起到一定的正则作用，有利于学习到更有效的映射矩阵。其次将核学习的思想引入算法中，利用核对齐和核极化的方法构造优化式，减少特征与属性在映射过程中的庞大计算量，提高模型训练的简洁性。然后再利用核融合的手段，有利于提取出更有判别力的特征，提高零样本学习的准确率。最后通过给特征空间和属性空间分别赋予不同权重的手段。提出了权值更新的零样本核学习方法。主要研究内容如下：
(1)对标准数据集已经提取好的深度学习特征和属性描述，利用核学习过程涉及的核对齐和核极化方法构造优化式和分类器，充分考虑样本在三个空间映射过程中的一致性，该过程旨在学习更好的映射矩阵。其次，算法还考虑了不同的空间组合对零样本学习的影响。
(2)将不同的核函数作用在样本上进行核融合，有利于提取出更有判别力的特征。实验结果验证了该方法在标准测试数据库上的有效性。
(3)将上述两种方法相结合，即将三个空间的一致性和核融合同时考虑，进一步优化学习到的模型，提高模型识别的性能。同时也对不同的空间组合与核融合同时考虑并进行实验，进行对比分析。
(4)手动设置特征空间和属性空间的权重参数，进行实验对比分析。
针对目前零样本学习的研究现状，考虑到现有零样本学习方法没有充分考虑模型在标签空间上的表现，在学习图像特征空间到图像属性空间的映射关系矩阵的过程中，首先考虑加入图像的标签空间，使得样本在属性空间、特征空间和标签空间映射过程中保持一致性，这三个空间对映射矩阵的学习起到一定的正则作用，有利于学习到更有效的映射矩阵。其次将核学习的思想引入算法中，利用核对齐和核极化的方法构造优化式，减少特征与属性在映射过程中的庞大计算量，提高模型训练的简洁性。然后再利用核融合的手段，有利于提取出更有判别力的特征，提高零样本学习的准确率。最后通过给特征空间和属性空间分别赋予不同权重的手段。提出了权值更新的零样本核学习方法。主要研究内容如下：
(1)对标准数据集已经提取好的深度学习特征和属性描述，利用核学习过程涉及的核对齐和核极化方法构造优化式和分类器，充分考虑样本在三个空间映射过程中的一致性，该过程旨在学习更好的映射矩阵。其次，算法还考虑了不同的空间组合对零样本学习的影响。
(2)将不同的核函数作用在样本上进行核融合，有利于提取出更有判别力的特征。实验结果验证了该方法在标准测试数据库上的有效性。
(3)将上述两种方法相结合，即将三个空间的一致性和核融合同时考虑，进一步优化学习到的模型，提高模型识别的性能。同时也对不同的空间组合与核融合同时考虑并进行实验，进行对比分析。
(4)手动设置特征空间和属性空间的权重参数，进行实验对比分析。