登录    注册    忘记密码

期刊文章详细信息

一种基于融合重构的子空间学习的零样本图像分类方法  ( EI收录)  

A Zero-Shot Image Classification Method Based on Subspace Learning with the Fusion of Reconstruction

  

文献类型:期刊文章

作  者:赵鹏[1,2] 汪纯燕[2] 张思颖[2] 刘政怡[1,2]

ZHAO Peng;WANG Chun-Yan;ZHANG Si-Ying;LIU Zheng-Yi(Key Laboratory of Intelligent Computing and Signal Processing,Ministry of Education,Anhui University,Hefei 230601;School of Computer Science and Technology,Anhui University,Hefei 230601)

机构地区:[1]安徽大学计算智能与信号处理教育部重点实验室,合肥230601 [2]安徽大学计算机科学与技术学院,合肥230601

出  处:《计算机学报》

基  金:国家自然科学基金(61602004);安徽省高校自然科学研究重点项目(KJ2018A0013,KJ2017A011);安徽省自然科学基金(1908085MF188,1908085MF182);安徽省重点研究与开发计划项目(1804d08020309)资助。

年  份:2021

卷  号:44

期  号:2

起止页码:409-421

语  种:中文

收录情况:BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘  要:图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像分类能够对训练过程中没有见过的类别的样本进行识别,近年来受到了广泛的关注.零样本图像分类通过语义空间建立起已见类别和未见类别之间的关系,实现知识的迁移,进而完成对训练过程中没有见过的类别样本进行分类.现有的零样本图像分类方法主要是根据已见类别的视觉特征和语义特征,学习从视觉空间到语义空间的映射函数,然后利用学习好的映射函数,将未见类别的视觉特征映射到语义空间,最后在语义空间中用最近邻的方法实现对未见类别的分类.但是由于已见类和未见类的类别差异,以及图像的分布不同,从而容易导致域偏移问题.同时直接学习图像视觉空间到语义空间的映射会导致信息损失问题.为解决零样本图像分类知识迁移过程中的信息损失以及域偏移的问题,本文提出了一种图像分类中基于子空间学习和重构的零样本分类方法.该方法在零样本训练学习阶段,充分利用未见类别已知的信息,来减少域偏移,首先将语义空间中的已见类别和未见类别之间的关系迁移到视觉空间中,学习获得未见类别视觉特征原型.然后根据包含已见类别和未见类别在内的所有类别的视觉特征原型所在的视觉空间和语义特征原型所在的语义空间,学习获得一个潜在类别原型特征空间,并在该潜在子空间中对齐视觉特征和语义特征,使得所有类别在潜在子空间中的表示既包含视觉空间下的可分辨性信息,又包含语义空间下的类别关系信息,同时在子空间的学习过程中利用重构约束,减少信息损失,同时也缓解了域偏移问题.�

关 键 词:零样本图像分类  迁移学习  子空间学习 重构  特征原型  

分 类 号:TP18]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心