申请/专利权人：哈尔滨工程大学

申请日：2021-11-03

公开（公告）日：2024-04-09

公开（公告）号：CN114037866B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.03.01#实质审查的生效;2022.02.11#公开

摘要：本发明提供了一种基于可辨伪特征合成的广义零样本图像分类方法，包括如下步骤：构建端到端神经网络模型；用可见类图像对模型进行预训练，使得在潜在空间中的同类潜在特征与它们的语义属性之间距离最小，得到可见类的可辨潜在特征；对每个未见类，选取与其符合相似性判定要求的可见类的语义属性构造属性变换矩阵，并用于优化非负合成向量；利用非负合成向量结合被选中的可见类的潜在特征，以及未见类的语义属性，合成未见类的伪特征；对合成的未见类伪特征进行过滤并剔除伪特征中的离群值，得到可辨伪特征；用可辨伪特征与可见类图像训练整个网络。本发明能够同时对可见类别和未见类别的图像进行高精度分类。

主权项：1.一种基于可辨伪特征合成的广义零样本图像分类方法，其特征在于，包括如下步骤：S1、构建端到端的神经网络模型，神经网络模型包括串行连接的嵌入模块和分类模块，所述嵌入模块接收可见类图像的视觉特征，所述视觉特征由具有固定权重的骨干网络从训练集图像提取得到；S2：用可见类图像和语义属性对神经网络模型进行预训练，所述可见类图像的视觉特征经嵌入模块处理获得潜在特征，并将其和语义属性一同映射到嵌入模块与分类模块之间的潜在空间中，在潜在空间中计算同类潜在特征与各自的语义属性之间的距离，并使之最小，得到可见类图像的可辨潜在特征；S3：对每个未见类，构造一个非负合成向量，再利用与未见类符合相似性判定要求的可见类语义属性构成属性变换矩阵，并用所述属性变换矩阵对所述非负合成向量进行优化，使其满足经过属性变换矩阵映射到未见类语义属性的距离最小；S4：从与未见类符合相似性判定要求的每个可见类中随机抽取一个潜在特征构成嵌入变换矩阵，采用嵌入变换矩阵对非负合成向量进行变换得到特征嵌入项，并将特征嵌入项与自身语义属性项进行加权求和，得到未见类伪特征；S5：对未见类伪特征进行筛查，利用预训练的神经网络模型中的分类模块剔除未见类伪特征中的离群值，得到可辨伪特征；S6：用可辨伪特征作为未见类的训练样本和训练集图像作为可见类的训练样本，完成神经网络模型的最终训练。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 一种基于可辨伪特征合成的广义零样本图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD