[发明专利]一种基于循环一致性的零样本识别方法及系统

说明书

本发明涉及一种基于循环一致性的零样本识别方法及系统，从收集的数据集中，选取一部分类别为训练集，剩下的为测试集，其中训练集样本带标注信息，测试集样本不带标注信息；构建用于广义零样本识别的待训练循环一致性生成对抗网络模型，包括两个生成器、两个判别器和一个去冗余模块；构建多目标损失函数，对上述构造的循环一致性生成对抗网络模型进行更新，不断地优化网络模型的参数，得到训练完成的循环一致性生成对抗网络模型；基于训练完成的循环一致性生成对抗网络，分别在AWA、CUB和SUN三个数据集上进行测试，得出识别结果。本发明的方法可以识别未带标注信息的属性表示，且能够提高广义零样本识别的精度，提升模型的泛化能力。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种基于循环一致性的零样本识别方法及系统。

背景技术

随着机器学习的发展，图像识别的精度得到明显提升。然而，现有识别模型的性能高度依赖于大量的带标注信息的训练数据集，一般地，对于每个类别，都需要数以千计的带标注信息的样本。而且对于某些特定的对象，如濒危物种，其图像信息源稀缺，难以获得足够数量的训练样本。随着图像识别技术应用的深入，待识别目标类别不断增加，未来图像识别技术不能完全寄希望于这种海量训练数据的学习方法。零样本学习的引入，可以解决对未知类别的识别，使人工智能系统逐渐摆脱对海量标注训练数据的依赖。

现阶段零样本识别方法的研究还存在一些挑战，因为要预测的图像来自未知的未知类，大多数方法是将视觉特征映射到语义特征空间，在语义空间中将未知类映射的语义特征视为与其最接近的语义特征，并计算出该语义特征所属的类别。这些传统的方法依赖于一个假设，即同一类别在语义空间和视觉空间中的特征分布是比较相似的，然而在实际情况中，同一类别在语义空间和视觉空间中的特征分布有所差异，因此将视觉特征映射成语义特征的识别精度较低。

发明内容

本发明的目的是提供一种基于循环一致性的零样本识别方法及系统，通过构建循环一致性生成对抗网络模型，缓解模型训练过程中的域偏移问题，实现准确度更高的零样本识别。

为实现上述目的，本发明提供了如下方案：

一种基于循环一致性的零样本识别方法，所述方法包括：

采集训练数据集；

构建待训练循环一致性生成对抗网络模型，利用所述训练数据集训练所述待训练循环一致性生成对抗网络模型，得到循环一致性生成对抗网络模型；

将所述循环一致性生成对抗网络模型应用于未知数据集的识别；所述训练数据集与所述未知数据集不存在交集。

一种基于循环一致性的零样本识别系统，所述系统包括：

预处理模块，用于采集训练数据集；

模型训练模块，用于构建待训练循环一致性生成对抗网络模型，利用所述训练数据集训练所述待训练循环一致性生成对抗网络模型，得到循环一致性生成对抗网络模型；

识别模块，用于将所述循环一致性生成对抗网络模型应用于未知数据集的识别；所述训练数据集与所述未知数据集不存在交集。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种基于循环一致性的零样本识别方法及系统，引入了语义对齐的循环一致性约束，通过循环一致性损失度量真实语义特征和伪语义特征之间的相似性，能够缓解在模型训练过程中的域偏移问题，解决了现实场景中训练图像和分类图像之间无法利用公共语义知识的问题，提高了零样本识别的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。