[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

说明书

本发明提供一种基于伪样本特征合成的零样本目标分类方法，获取与待识别类别相近的其他类别的样本及标注信息；然后通过网络抓取等方式获取可见类及未见类的语义描述，并将类别描述信息通过自然语义处理模型转换为语义向量；计算每一个未见类与每一个可见类类别间的相似性得分；构建一个卷积神经网络分类模型，模型分为特征提取和分类两个部分。对于每一个未见类，根据相似性得分，筛选得分最高的N个可见类，并随机选择样本，输入到特征提取网络，得到特征向量；再根据相似性得分对这N个可见类的特征向量进行组合，作为未见类的特征向量；使用未见类特征向量训练分类网络，实现在没有某类待识别目标可用训练样本的情况下，准确识别该类别的样本。

技术领域

本发明涉及一种标识别中的零样本目标分类方法，尤其涉及一种基于伪样本特征合成的零样本目标分类方法。

背景技术

监督学习分类方法已经在各行各业中取得了极大的成功，监督学习通过大量的带有标注的训练数据学习分类函数，然而针对特定的类别，收集大量的数据并进行标注是非常耗时且低效率的，甚至某些领域收集少量数据都存在很大困难，因此，针对待识别目标具有非常少的样本甚至没有可用训练样本的应用即零样本目标识别方法的研究具有重要的应用价值。

与传统的监督学习方法不同，零样本目标识别方法的目的在于识别那些训练过程中没有训练样本的类别；零样本目标识别中，待识别的没有训练样本的类别为未见类，零样本方法通常从其他近似的具有大量训练样本的可见类数据中学习知识，再通过可见类与未见类的类别语义描述信息构建知识的迁移，从而实现未见类的识别。

零样本目标识别方法受人类识别未见类样本的过程启发得到，例如,人类通过一段语义描述：“斑马和马的形状一样，但是斑马的颜色是黑白条纹”,以及知道马和黑白条纹的样子，就可以在没有见过斑马的情况下准确地识别斑马。

在零样本目标识别领域中，可见类及未见类的语义描述信息是构建知识迁移的不可或缺的部分，这些描述信息通常在一个统一的层面对可见类及未见类进行描述，目前通常采用的语义描述信息有属性向量及词向量等。

传统的零样本目标识别方法大多采用两步法的策略，首先学习可见类图像到该类别的语义信息的映射函数，学习到较为准确的映射函数后，再将未见类待识别的样本通过这个映射函数进行变换，得到未见类的映射输出，通过将此输出在未见类所有类的语义信息中进行邻近搜索，从而确定该未见类的类别。但这些方法通常存在领域漂移问题。

本方法主要涉及通过对未见类进行伪特征合成的方式，将零样本目标分类问题转换为传统的监督学习问题，从而可以有效克服传统的零样本目标识别方法准确率低的问题。

发明内容

本发明的目的是为了提供一种基于伪样本特征合成的零样本目标分类方法，使用可见类样本的特征，根据可见类及未见类的语义信息计算可见类与未见类的相似性得分，对某一未见类合成伪特征，补全了样本缺失的问题，从而将零样本目标识别问题转换为传统的监督学习问题，克服传统零样本目标识别的两步法中存在领域漂移导致的分类准确率低的问题。

本发明的目的是这样实现的：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；