[发明专利]一种基于混合属性直接预测模型的零样本图像分类方法

摘要

本发明公开了一种基于混合属性直接属性预测模型的零样本图像分类方法。首先，对训练图像底层特征进行稀疏编码并利用编码得到的非语义属性来辅助语义属性；然后，将非语义属性与语义属性构成混合属性并将其作为直接属性预测模型的属性中间层，利用直接属性预测模型的思想进行混合属性分类器的训练；最后，根据预测的混合属性以及属性与类别之间的关系，进行测试样本类别标签的预测。本发明使得原本属性相似的类别更加容易被区分，从而提高零样本图像分类的识别率。

主权项

1.一种基于混合属性直接预测模型的零样本图像分类方法，其特征在于，包括如下步骤：步骤1，用训练图像底层特征集通过稀疏编码算法来学习，得到基向量集合；步骤2，用基向量集合对训练图像底层特征集和测试图像底层特征集进行线性重构，得到非语义属性集，对语义属性集进行补充和扩展，进而构造混合属性集；步骤3，利用训练图像底层特征集为混合属性集中的每一个混合属性训练一个混合属性分类器；步骤4，利用混合属性分类器对测试图像混合属性进行预测，得到测试图像混合属性的预测概率，最大预测概率值对应的属性即为预测得到的测试图像混合属性；步骤5，利用预测得到的测试图像混合属性对测试图像的类别标签进行预测，得到从测试图像底层特征到测试图像类别标签的后验概率估计；步骤6，找出使得后验概率估计最大的类别标签，并将该类别标签分配给测试图像，由此得到测试图像类别标签；所述步骤1中，给定训练图像底层特征集X＝{x₁,x₂,...,x_K}∈R^d×K，其中K为训练图像的类别个数，x_i,i＝1,2,...,K为第i类训练图像底层特征，d为图像底层特征的维数，R^d×K表示维数为d×K的空间；用表示基向量集合，其中N表示基向量的个数，表示第j个基向量；则利用稀疏编码算法学习得到基向量集合Φ的方法具体如下：步骤1.1，随机初始化基向量集合Φ；步骤1.2，将训练图像底层特征集X代入如下的约束方程中：式中，b_i,j,i＝1,2,...,K；j＝1,2,...,N是激活量，表示第i类训练图像底层特征x_i的第j个稀疏编码；λ表示权重衰减系数；表示稀疏正则项；表示L₁范数，c表示一个常数，用于限制稀疏程度；步骤1.3，首先固定初始化基向量集合Φ，求解能够使约束方程(1)最小化的激活量bi,j；然后固定激活量bi,j，求解能够使约束方程(1)最小化的基向量集合Φ；步骤1.4，不断重复步骤1.3直至收敛，求得一组表示图像底层特征的基向量集合