[发明专利]一种基于多通道高斯GAN的引导零样本识别方法

权利要求书

1.一种基于多通道高斯GAN的引导零样本识别方法，其特征在于：包括，

将图片样本输入至Imagenet预训练resnet101网络中进行提取，得到可见类别的视觉特征；

将所述视觉特征输入至多通道GAN网络模型进行训练，得到可见类别的整合特征；

利用所述视觉特征及所述整合特征训练生成softmax分类器；

对训练好的所述softmax分类器进行识别测试，得到识别结果；

所述多通道GAN网络模型包括，

L_M＝minL_cv+γL_rs

其中，L_M表示在L_cv和L_rs的辅助下，共同训练L_M的损失函数，γ表示L_rs的影响程度；

所述多通道GAN网络模型具体包括，

其中，L_cv表示分类器损失函数，通过将可见类别的分类，使得网络M可以保留可见类别之间的差异性，Ns表示可见类别样本的个数，表示第i个样本的标签，表示第i个样本的视觉特征；

还包括，

其中，L_rs表示关系网络的损失函数，即空间上视觉特征和语意特征的空间角度关系，使得同一类别的视觉特征和对应的语意特征在空间上角度接近，最后训练出来的网络M可以保留类别特征之间的相似性。

2.根据权利要求1所述的基于多通道高斯GAN的引导零样本识别方法，其特征在于：预训练所述resnet101网络包括，

将所述resnet101应用在所述Imagenet数据库上训练，得到所述resnet101对应的网络参数，完成预训练。

3.根据权利要求1或2所述的基于多通道高斯GAN的引导零样本识别方法，其特征在于：包括，所述图片样本经过处理之后转变为2048个所述视觉特征。

4.根据权利要求3所述的基于多通道高斯GAN的引导零样本识别方法，其特征在于：构建所述多通道GAN网络模型包括，一个网络M和一个对抗神经网络；

所述网络M包括第一层全连接层和第二层全连接层，所述对抗神经网络包括网络G^M和网络D。

5.根据权利要求4所述的基于多通道高斯GAN的引导零样本识别方法，其特征在于：还包括，

所述第一层全连接层大小为2048，连接残差网络输出的视觉特征；

所述第二层全连接层大小为1024，对所述视觉特征进行重新整合；

所述网络G^M将特定的语义特征转换为所述视觉特征；

所述网络D比较所述网络G^M产生的特征和指定的特征。

6.根据权利要求5所述的基于多通道高斯GAN的引导零样本识别方法，其特征在于：包括，

其中，D表示GAN网络中的分辨器网络D，α是梯度惩罚因素，其表示对抗神经网络的训练损失函数。

7.根据权利要求6所述的基于多通道高斯GAN的引导零样本识别方法，其特征在于：所述训练包括，

利用所述分类器和所述关系网络辅助训练所述网络M，保存类别之前的相似性和差异性；

利用多通道GAN网络结构训练所述对抗神经网络GAN，将语义特征转化为所述视觉特征；

利用所述视觉特征训练所述softmax分类器并根据GZSL标准进行测试。