[发明专利]一种基于属性继承的图卷积网络零样本学习方法

权利要求书

1.一种基于属性继承的图卷积网络零样本学习方法，其特征在于，包括以下步骤：

S1、运用CNN网络提取样本图像的特征，获得所述样本图像的真实分类权重W_i，将语义特征作为训练样本输入到包含a个父类的GCN网络G_f(X)中，其中，an，x_i表示所述训练样本中的第i个样本的语义词嵌入，并对所述G_f(X)进行训练，将一个n维的语义特征映射到一个a维的类标签上，

其中，对所述G_f(X)进行训练的过程包括：

构建所述训练样本中的可见类样本的父类标签f_m的计算公式：

其中，1mn，m表示可见类样本的数量，y_1i∈{1,…,a}表示父类标签，预测出所述训练样本中的n-m个剩余样本的标签构建m个所述可见类样本在所述G_f(X)中训练的损失参数I₁，令得到在真实分类权重W_i的约束下对分类器的权重的预测，所述表示预测的分类器的权重；

S2、运用注意力机制A构建子类的语义表达X_s＝A(X)，训练由a个父类扩展得到b个子类的GCN网络G_s(X_s)，a≤bn，将一个n维的语义特征映射到一个b维的类标签上，

其中，训练含有b个子类的GCN网络G_s(X_s)的过程包括：将子类的语义特征输入到所述G_s(X_s)中，构建所述训练样本中的可见类样本的子类标签s_m的计算公式：其中，1mn，m表示可见类样本的数量，y_2i∈{1,…,b}表示子类标签，预测最终子类的标签构建m个所述可见类样本在所述G_s(X_s)中训练的损失参数I₂，令得到在真实分类权重W_i的约束下对分类器的权重的预测；

S3、将测试样本的语义特征X_u先输入到训练好的所述G_f(X)中，判断所述测试样本的父类标签，再将所述测试样本输入到训练好的所述G_s(X_s)中，逐级地对所述测试样本进行分类，最终输出所述测试样本的子类标签。

2.如权利要求1所述的基于属性继承的图卷积网络零样本学习方法，其特征在于，所述S2中构建子类的语义表达的过程包括：

在子类的语义特征上，通过所述注意力机制A强调与父类不同的语义特征，并保留与父类相同的语义特征，从而形成属性继承的语义特征。

3.如权利要求1所述的基于属性继承的图卷积网络零样本学习方法，其特征在于：所述S3还包括通过判断所述测试样本的父类标签，通过最终输出所述测试样本的子类标签。