基于深度學習及知識挖掘的零樣本圖像分類.pdf

1、在零樣本圖像分類場景中，已標記訓練樣本不足以涵蓋所有對象類，對于實際應用中出現(xiàn)的新對象類，傳統(tǒng)分類器無法對這種訓練階段不可見的新模式進行正確分類?；趯傩詫W習的零樣本圖像分類通過將屬性作為對象類的一種中間表示，實現(xiàn)可見模式與未知新模式之間的知識傳遞?，F(xiàn)有的零樣本圖像分類方法主要存在以下幾種問題：屬性學習模型的設計缺少對與屬性相關的各種先驗知識的利用；屬性-類別標簽映射中對各屬性分類器的分類能力描述不足；沒有充分利用屬性與圖像特征之間的依

2、賴關系等等?；谶@些問題，本文主要研究內容為：
　　第一，目前零樣本學習中使用的圖像特征仍由人工設計提取，分類精度嚴重依賴于提取特征的質量。針對此問題，提出了基于深度學習特征提取的零樣本圖像分類模型。首先，利用圖像塊提取和ZCA白化等技術來降低模型計算復雜度和像素間的相關性；然后，使用棧式稀疏自動編碼器學習特征映射，并進一步使用該映射矩陣作為卷積核對圖像進行卷積與池化操作；最后，將卷積神經網絡提取出的特征用于零樣本圖像分類。

3、>　　第二，目前零樣本學習中各屬性分類器的訓練仍依賴于人工特征提取和淺層學習模型，對各屬性分類器的分類能力描述不足。針對此問題，提出了基于深度加權屬性預測的零樣本圖像分類模型。該模型使用有監(jiān)督學習方法訓練一個深度卷積神經網絡并將屬性標簽納入網絡結構，實現(xiàn)深層次的特征表達及屬性預測。此外，通過挖掘屬性先驗知識對表達能力不同的屬性分類器進行加權設計，構建一種直接加權屬性預測模型，完成對測試類圖像的屬性預測和零樣本圖像分類。
　　第三，

4、目前零樣本學習中均不同程度的缺少對屬性相關的各種先驗知識的刻畫，針對此問題，提出了基于類別與屬性相關先驗知識挖掘的零樣本圖像分類模型。首先，通過白化余弦相似度挖掘類別-類別間的相關性，得到與測試類別相關性強的訓練類；然后，使用稀疏表示系數(shù)挖掘與屬性相關的先驗知識，利用屬性-類別之間和屬性-屬性之間的相關性挑選與測試類相關性強的屬性集并移除冗余屬性；最后，將與測試類具有強相關性的訓練類和屬性用于零樣本圖像分類。
　　在多個數(shù)據(jù)集上進