基于語義計算的小樣本圖像分類研究.pdf

1、小樣本是訓練樣本不足或者分布不均勻，造成了個別類別的訓練數據很少的情況。小樣本問題在圖像分類中是常見問題。采用傳統(tǒng)的機器學習方法，對這些樣本不足的類別進行分類時，分類效果難以滿足要求。因此，在圖像分類等實際應用中，小樣本問題是一個難題，需要采取不同于傳統(tǒng)機器學習的方法對訓練樣本進行學習。本文在圖像分類領域，假設圖像數據庫的數據主要包括圖像及其標注信息，針對圖像或標注信息少的兩類四種不同的小樣本問題進行了研究，分別提出了相應的解決辦法。<

2、br>　　本研究主要內容包括：⑴在單數據庫中，圖像分類領域的小樣本問題體現在數據庫中某些類別訓練數據較少。特別是在自然場景的圖像中，其類別較多，某些類存在訓練數據少的問題。本文提出了基于潛在語義的單源小樣本圖像分類模型。首先分析場景類別、圖像、對象相互的三個語義關系，其中包括了對不同場景標簽的語義關系，場景所包含對象的語義關系，以及對象與其中所包含視覺詞匯的語義關系進行分析。然后通過計算出的相似性表示潛在語義關系，尋找其他類別中與數據較

3、少類別相似的場景，學習其中滿足遷移條件的樣本，實現樣本數量的擴充，彌補小樣本問題造成的不足，提升模型分類正確率。⑵零樣本問題是指某些類別沒有訓練數據的情況，如在復雜場景、自然場景等圖像數據中，不可能收集到所有類別的數據，但這些沒有訓練數據的類別也有分類的需求。本文提出模糊屬性與模糊知識，分別用于刻畫圖像特征-屬性與圖像類別-屬性的語義關系。模糊屬性與現有的二進制屬性相比，有著更好的對對象的刻畫能力；模糊知識可通過多種途徑獲得的多源知識，

4、實現擴充已有知識，并通過語義計算糾正部分錯誤知識，達到提高數據知識質量的目的；最后提出了模糊直接屬性預測和模糊間接屬性預測算法。實驗結果表明本文算法與現有算法相比，有效地提高了分類正確率。⑶在單主機環(huán)境下，主機存儲著多個數據庫，其中某些數據庫或者某些類別所包含的數據少，但是本地主機還有其他圖像數據庫可供利用。在圖像語義間關系的基礎上，本文對不同源數據中標注詞，分析語義生成語義二叉樹，并通過計算語義關系，根據語義相似性的大小，篩選各數據源

5、的語義二叉樹節(jié)點，生成新的語義二叉樹。新的語義二叉樹能更好地表示不同類別的語義關系，輔助多任務學習將其他源數據訓練的模型與本地的模型集成在一起，從而達到改善分類效果的目的。⑷網絡環(huán)境中的小樣本問題，即本地主機的數據庫訓練數據較少，但整個網絡的數據是海量的情況。本地主機可通過語義相似關系，有條件地利用其它網絡節(jié)點的語義相似數據來擴充訓練樣本。首先在網絡中每個節(jié)點都利用自身數據建立類別弱分類器，然后通過分析各個節(jié)點中數據與本地數據的語義關系