[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

说明书

本发明属于机器学习的技术领域，具体涉及一种基于属性继承的图卷积网络零样本学习方法，包括运用CNN网络提取样本图像的特征，将训练样本输入到GCN网络Gsubgt;f/subgt;(X)中，运用注意力机制A构建子类的语义表达，训练GCN网络Gsubgt;s/subgt;(Xsubgt;s/subgt;)，将测试样本先后输入到训练好的GCN网络Gsubgt;f/subgt;(X)和Gsubgt;s/subgt;(Xsubgt;s/subgt;)中，逐级地对测试样本进行分类，最终输出测试样本的子类标签。本发明使用属性特征构建语义空间，利用属性继承的图卷积网络方法学习关注样本层级之间的关系，更加全面地学习类间与类内的异同信息，从而更充分地考虑了样本层级间的异同，及充分地利用了所有样本之间的信息。

技术领域

本发明属于机器学习的技术领域，具体涉及一种基于属性继承的图卷积网络零样本学习方法。

背景技术

近几年，深度学习在大规模的数据集的分类任务上取得了重大进展。但是，传统的深度学习还面临了一个很重要的问题：需要大量的带有标签的训练数据，同时，对训练数据进行标注不仅需要花费大量的人力物力财力，而且在许多情况下几乎难以获得，比如濒危动物的图像。对此，学者们从人类学习新事物的过程上得到启发：仅仅使用少量样本，甚至在不使用样本的情况下就可以识别出从未见过的新事物，也就是零样本学习。零样本学习通过对可见类的学习，利用语义特征，识别未见类。也就是说，语义特征是可见类和未见类之间联系的桥梁，一般可以是属性特征，也可以是词向量。

然而，发明人发现了现有的图卷积网络零样本学习方法大多数都是直接对最基本的样本层级实现特征的学习，使用可见类的样本来学习特征，测试时根据距离度量为测试样本贴上标签，并且，此类方法的问题是没有充分考虑事物层级之间的关系，即类似于对生物的划分级别分为界、门、纲、目、科、属、种，从而忽略了级别与级别之间有一定的联系、级别之内也有一定的联系。

为此，亟需提出一种新型的零样本学习方法以解决上述问题。

发明内容

本发明的目的在于：针对现有技术的不足，提供一种基于属性继承的图卷积网络零样本学习方法，使用属性特征构建语义空间，能够利用属性继承的图卷积网络方法学习关注样本层级之间的关系，能够更全面地学习类间与类内的异同信息，从而更充分地考虑了样本层级间的异同，及充分地利用了所有样本之间的信息。

为了实现上述目的，本发明采用如下技术方案：

一种基于属性继承的图卷积网络零样本学习方法，包括以下步骤：

S1、选取样本图像，运用CNN网络提取所述样本图像的特征，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；

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；

S3、选取测试样本，将所述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。

进一步地，所述S1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：