基于属性自适应的零样本图像分类

摘要

在零样本学习中，由于参与训练的类别和测试类别之间不存在交集，训练样本和测试样本存在一定的数据分布差异。因此，由训练样本学习得到的属性分类模型将无法适用于测试样本，从而导致了领域偏移问题。针对这一问题，本文的主要研究内容为： 第一，从分类器自适应的角度解决属性自适应问题，提出了基于自适应多核校验学习的多源域属性自适应模型。首先，根据类别-类别相关性进行了多源域的构造，并根据属性与源域的关联概率构造加权源域；其次，利用源域与目标域之间的属性关系，对两领域进行了面向属性的相似特征选择，以减小领域之间的分布差异；然后，利用预训练属性分类器、多核学习、领域间最大均值差以及中心核校准等算法构建出基于核校验的自适应多核属性分类器；最后，将得到的属性自适应模型结合直接属性预测模型应用于零样本图像分类。 第二，从特征表示自适应的角度解决属性自适应问题，提出了基于深度特征迁移的多源域属性自适应模型。首先，根据类别-类别相关性进行了多源域的构造；其次，对训练图像和测试图像进行了图像预处理；再次，利用深度自适应网络提取源域和目标域的深度可迁移性特征，其中源域的深度可迁移特征用于学习属性自适应模型，目标域的可迁移特征经过加权用于零样本分类；然后，根据类别-属性相关性，对类别与属性之间的关系进行了挖掘；最后，将属性自适应模型和多源决策融合算法引入间接属性预测模型，实现零样本图像分类。 场景识别数据集（OSR）、动物数据集（AWA）、a-Yahoo属性数据集以及属性发现鞋类数据集（Shoes）的实验结果验证了所提算法在零样本图像分类上具有更好的分类性能。

目录

第一个书签之前

摘 要

Abstract

目 录

图清单

表清单

变量注释表

1 绪论

1 Introduction

1.1 课题的研究背景及意义（Research Background and Significanc

1.2 研究现状及发展趋势（Research Status and Development Tend

1.2.1 属性学习

1.2.2 零样本学习

1.2.3 属性学习面临的挑战

1.3 本文的研究内容（Research Contents）

1.4 本文结构（Structure of the Dissertation）

2 属性学习

2 Research of Attribute Learning

2.1 属性表示（Attribute Representation）

2.1.1 二值属性

2.1.2 相对属性

2.2 属性与特征学习（Attribute and Feature Learning）

2.2.1 视觉词袋模型

2.2.2 卷积神经网络模型

2.3 属性与分类器学习（Attribute and Classifier Learning）

2.3.1 支持向量机

2.3.2 Softmax回归模型

2.4.1 间接属性预测模型

2.4.2 直接属性预测模型

2.5 本章小结（Conclusions of The Chapter）

3 基于自适应多核校验学习的多源域属性自适应

3 Multi-source Domain Attribute Adaptation Based o

3.1 研究背景（Research Background）

3.2 基于自适应多核校验学习的多源域属性自适应（Multi-source Domain Attri

3.2.1 系统结构框图

3.2.2 源域构造

3.2.3 特征选择

3.2.4 基于中心核校准的自适应多核学习

3.2.5 算法步骤

3.3.1 实验数据集

3.3.2 参数设置

3.3.3 零样本学习

3.4 本章小结(Conclusions of This Chapter)

4 基于深度特征迁移的多源域属性自适应

4 Multi-source Domain Attribute Adaptation Based o

4.1 研究背景（Research Background）

4.2.1 系统结构框图

4.2.2 多源域构造

4.2.3 图像预处理

4.2.4 深度可迁移特征提取

4.2.5 目标域特征加权

4.2.6 基于稀疏表示的属性-类别关系挖掘

4.2.7 基于多源决策融合的IAP模型

4.3.1 实验数据集

4.3.2 参数设置

4.3.3 零样本学习

4.4 本章小结(Conclusions of This Chapter)

5 总结与展望

5 Conclusions and Prospects

5.1 总结（Conclusions）

5.2 展望（Prospects）

参考文献

作者简历

学位论文原创性声明

学位论文数据集