[发明专利]一种基于伪样本特征合成的零样本目标分类方法

权利要求书

1.一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤如下：

步骤一：将待识别的类别命名为未见类，首先获取与待识别类别相近的其他类别的样本及标注信息，并将其命名为可见类数据集；

步骤二：通过网络抓取的方式获取可见类及未见类数据集的所有类别的语义信息，语义信息是文本描述或属性描述，并将类别的语义信息通过自然语义处理模型转换为语义向量；

步骤三：根据语义向量，计算每一个未见类与其他每一个可见类类别间的相似性得分；

步骤四：构建一个卷积神经网络分类模型，模型分为特征提取模型和特征分类模型两部分；

步骤五：对于每一个未见类，根据相似性得分，筛选与此未见类相似性得分最高的N个可见类，并在这些可见类中随机选择样本，输入到特征提取网络，得到特征向量，同时使提取到的特征向量与语义向量相对应，保存类别间的相似性结构；

步骤六：根据相似性得分，通过对N个可见类的特征向量线性加权求和进行合成，合成结果作为未见类的伪特征向量；

步骤七：使用合成的关于未见类的伪特征向量作为分类网络输入，待识别的类别作为标签，构建损失函数，并使用优化算法同时优化特征提取网络部分及特征分类网络部分，实现在没有可用训练样本情况下，准确地识别对应类别的样本。

2.根据权利要求1所述的一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤四中：特征提取模型用于提取可见类样本的深度特征，特征分类模型用于将提取到的特征进行分类。

3.根据权利要求1或2所述的一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤五中，特征提取网络对可见类样本进行深度特征提取，输出特征向量维度与该类别的语义向量维度相同，即使用特征提取网络将样本回归到语义向量。

4.根据权利要求1或2所述的一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤六的伪特征合成方法中，对与未见类相似的N个可见类的深度特征，分别与此特征所述类别的相似性得分值相乘，最后N个相乘后的结果相加，作为未见类的伪特征。

5.根据权利要求3所述的一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤六的伪特征合成方法中，对与未见类相似的N个可见类的深度特征，分别与此特征所述类别的相似性得分值相乘，最后N个相乘后的结果相加，作为未见类的伪特征。

6.根据权利要求1或2所述的一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤七中损失函数，包括分类网络输出与真实标签之间的分类损失，以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成，回归损失乘以一个权重因子后与分类损失相加，作为总的损失函数。

7.根据权利要求3所述的一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤七中损失函数，包括分类网络输出与真实标签之间的分类损失，以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成，回归损失乘以一个权重因子后与分类损失相加，作为总的损失函数。

8.根据权利要求4所述的一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤七中损失函数，包括分类网络输出与真实标签之间的分类损失，以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成，回归损失乘以一个权重因子后与分类损失相加，作为总的损失函数。

9.根据权利要求5所述的一种基于伪样本特征合成的零样本目标分类方法，其特征在于：步骤七中损失函数，包括分类网络输出与真实标签之间的分类损失，以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成，回归损失乘以一个权重因子后与分类损失相加，作为总的损失函数。