掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
零樣本圖像分類 版權信息
- ISBN：9787030681294
- 條形碼：9787030681294 ; 978-7-03-068129-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
零樣本圖像分類 本書特色
本書以屬性知識表示作為橋梁，利用計算機學習具有語義的對象信息，進而展開零樣本圖像分類研究。
零樣本圖像分類 內容簡介
本書針對上述問題從屬性入手, 分別圍繞基于深度學習及知識挖掘、多源域屬性自適應、屬性擴展和相對屬性4個方面進行展開, 共13章。其中, 第3章-第6章為基于深度學習及知識挖掘的零樣本圖像分類 ; 第7章-第8章為基于屬性自適應的零樣本圖像分類 ; 第9章-第11章為基于屬性擴展的零樣本圖像分類 ; 第12章-第13章為基于相對屬性的零樣本圖像分類。
零樣本圖像分類 目錄
目錄
第1章 緒論 1
1.1 零樣本圖像分類 1
1.2 零樣本圖像分類發展現狀 2
1.2.1 屬性知識表示方法研究進展 3
1.2.2 知識遷移與共享方法研究進展 7
1.3 本書主要研究內容 10
參考文獻 11
第2章 屬性學習基礎知識 14
2.1 屬性基本概念及特點 14
2.2 二值屬性學習 15
2.2.1 二值屬性基本概念 15
2.2.2 二值屬性分類器學習 16
2.3 相對屬性學習 17
2.3.1 相對屬性基本概念 17
2.3.2 排序學習 18
2.3.3 相對屬性的應用 19
2.4 基于屬性的零樣本圖像分類 21
2.4.1 間接屬性預測模型 22
2.4.2 直接屬性預測模型 23
參考文獻 24
第3章 基于關聯概率的間接屬性加權預測模型 26
3.1 系統結構 26
3.2 RP-IAWP模型 27
3.3 RP-IAWP模型權重計算 29
3.4 RP-IAWP模型分析 30
3.5 算法步驟 31
3.6 實驗結果與分析 31
3.6.1 實驗設置 31
3.6.2 屬性預測實驗 32
3.6.3 零樣本圖像分類實驗 32
3.6.4 權重分析實驗 35
3.7 本章小結 36
參考文獻 36
第4章 基于深度特征提取的零樣本圖像分類 38
4.1 系統結構 39
4.2 圖像預處理 40
4.3 特征映射矩陣學習 41
4.4 視覺圖像特征學習 43
4.5 算法步驟 44
4.6 實驗結果與分析 45
4.6.1 實驗設置 45
4.6.2 參數分析 45
4.6.3 屬性預測實驗 47
4.6.4 零樣本圖像分類實驗 49
4.7 本章小結 53
參考文獻 54
第5章 基于深度加權屬性預測的零樣本圖像分類 55
5.1 系統結構 56
5.2 基于深度卷積神經網絡的屬性學習 57
5.3 基于稀疏表示的屬性-類別關系挖掘 61
5.4 基于直接屬性加權預測的零樣本圖像分類 63
5.5 算法步驟 64
5.6 實驗結果與分析 65
5.6.1 實驗設置 65
5.6.2 屬性預測實驗 66
5.6.3 零樣本圖像分類實驗 68
5.7 本章小結 75
參考文獻 75
第6章 基于類別與屬性相關先驗知識挖掘的零樣本圖像分類 77
6.1 系統結構 78
6.2 基于白化余弦相似度的類別-類別相關性挖掘 79
6.3 基于稀疏表示的屬性-類別相關性挖掘 80
6.4 基于稀疏表示的屬性-屬性相關性挖掘 81
6.5 算法時間復雜度 82
6.6 實驗結果與分析 82
6.6.1 實驗數據集 82
6.6.2 參數分析 82
6.6.3 屬性預測實驗 85
6.6.4 零樣本圖像分類實驗 87
6.7 本章小結 93
參考文獻 93
第7章 基于自適應多核校驗學習的多源域屬性自適應 94
7.1 系統結構 96
7.2 源域構造 97
7.3 特征選擇 99
7.4 基于中心核校準的自適應多核學習 99
7.5 算法步驟 101
7.6 實驗結果與分析 102
7.6.1 實驗數據集 102
7.6.2 參數分析 102
7.6.3 零樣本圖像分類實驗 105
7.7 本章小結 115
參考文獻 116
第8章 基于深度特征遷移的多源域屬性自適應 117
8.1 系統結構 118
8.2 多源域構造 120
8.3 圖像預處理 120
8.4 深度可遷移特征提取 121
8.5 目標域特征加權 122
8.6 基于稀疏表示的屬性-類別關系挖掘 123
8.7 基于多源決策融合的IAP模型 124
8.8 實驗結果與分析 125
8.8.1 實驗數據集 125
8.8.2 參數分析 125
8.8.3 零樣本圖像分類實驗 127
8.9 本章小結 131
參考文獻 133
第9章 基于混合屬性的直接屬性預測模型 134
9.1 研究動機 134
9.2 系統結構 135
9.3 基于HA-DAP的零樣本圖像分類 135
9.3.1 混合屬性的構造 135
9.3.2 基于稀疏編碼的非語義屬性學習 137
9.3.3 基于混合屬性的直接屬性預測模型 138
9.4 實驗結果與分析 140
9.4.1 實驗設置 140
9.4.2 零樣本圖像分類實驗 141
9.5 本章小結 145
參考文獻 146
第10章 基于關系非語義屬性擴展的自適應零樣本圖像分類 147
10.1 系統結構 148
10.2 關系非語義屬性獲取 149
10.3 域間自適應關系映射 150
10.4 關系非語義屬性擴展的自適應零樣本圖像分類 152
10.5 實驗結果與分析 153
10.5.1 實驗設置 153
10.5.2 參數分析 153
10.5.3 關系非語義屬性字典分析 154
10.5.4 零樣本圖像分類實驗 156
10.6 本章小結 161
參考文獻 161
第11章 基于多任務擴展屬性組的零樣本圖像分類 163
11.1 系統結構 164
11.2 多任務擴展屬性組訓練模型 165
11.3 類別-類別關系矩陣構建 167
11.4 基于多任務擴展屬性組的零樣本分類 168
11.5 實驗結果與分析 169
11.5.1 實驗設置 169
11.5.2 類別關系矩陣構建 170
11.5.3 類別與屬性分組構建 171
11.5.4 零樣本圖像分類實驗 172
11.6 本章小結 177
參考文獻 178
第12章 基于共享特征相對屬性的零樣本圖像分類 179
12.1 研究動機 179
12.2 系統結構 180
12.3 基于RA-SF的零樣本圖像分類 181
12.3.1 共享特征學習 182
12.3.2 基于共享特征的相對屬性學習 183
12.3.3 基于共享特征的相對屬性零樣本圖像分類 185
12.4 實驗結果與分析 186
12.4.1 實驗數據集 186
12.4.2 參數分析 187
12.4.3 共享特征學習實驗 188
12.4.4 屬性排序實驗 189
12.4.5 零樣本圖像分類實驗 192
12.5 本章小結 193
參考文獻 194
第13章 基于相對屬性的隨機森林零樣本圖像分類 196
13.1 研究動機 196
13.2 系統結構 197
13.3 基于RF-RA的零樣本圖像分類 197
13.3.1 屬性排序函數的學習 197
13.3.2 屬性排序得分模型的建立 199
13.3.3 基于相對屬性的隨機森林分類器 200
13.3.4 基于RF-RA的零樣本圖像分類 201
13.4 實驗結果與分析 202
13.4.1 屬性排序實驗 202
13.4.2 零樣本圖像分類實驗 204
13.4.3 圖像描述實驗 208
13.5 本章小結 210
參考文獻 211
第1章 緒論 1
1.1 零樣本圖像分類 1
1.2 零樣本圖像分類發展現狀 2
1.2.1 屬性知識表示方法研究進展 3
1.2.2 知識遷移與共享方法研究進展 7
1.3 本書主要研究內容 10
參考文獻 11
第2章 屬性學習基礎知識 14
2.1 屬性基本概念及特點 14
2.2 二值屬性學習 15
2.2.1 二值屬性基本概念 15
2.2.2 二值屬性分類器學習 16
2.3 相對屬性學習 17
2.3.1 相對屬性基本概念 17
2.3.2 排序學習 18
2.3.3 相對屬性的應用 19
2.4 基于屬性的零樣本圖像分類 21
2.4.1 間接屬性預測模型 22
2.4.2 直接屬性預測模型 23
參考文獻 24
第3章 基于關聯概率的間接屬性加權預測模型 26
3.1 系統結構 26
3.2 RP-IAWP模型 27
3.3 RP-IAWP模型權重計算 29
3.4 RP-IAWP模型分析 30
3.5 算法步驟 31
3.6 實驗結果與分析 31
3.6.1 實驗設置 31
3.6.2 屬性預測實驗 32
3.6.3 零樣本圖像分類實驗 32
3.6.4 權重分析實驗 35
3.7 本章小結 36
參考文獻 36
第4章 基于深度特征提取的零樣本圖像分類 38
4.1 系統結構 39
4.2 圖像預處理 40
4.3 特征映射矩陣學習 41
4.4 視覺圖像特征學習 43
4.5 算法步驟 44
4.6 實驗結果與分析 45
4.6.1 實驗設置 45
4.6.2 參數分析 45
4.6.3 屬性預測實驗 47
4.6.4 零樣本圖像分類實驗 49
4.7 本章小結 53
參考文獻 54
第5章 基于深度加權屬性預測的零樣本圖像分類 55
5.1 系統結構 56
5.2 基于深度卷積神經網絡的屬性學習 57
5.3 基于稀疏表示的屬性-類別關系挖掘 61
5.4 基于直接屬性加權預測的零樣本圖像分類 63
5.5 算法步驟 64
5.6 實驗結果與分析 65
5.6.1 實驗設置 65
5.6.2 屬性預測實驗 66
5.6.3 零樣本圖像分類實驗 68
5.7 本章小結 75
參考文獻 75
第6章 基于類別與屬性相關先驗知識挖掘的零樣本圖像分類 77
6.1 系統結構 78
6.2 基于白化余弦相似度的類別-類別相關性挖掘 79
6.3 基于稀疏表示的屬性-類別相關性挖掘 80
6.4 基于稀疏表示的屬性-屬性相關性挖掘 81
6.5 算法時間復雜度 82
6.6 實驗結果與分析 82
6.6.1 實驗數據集 82
6.6.2 參數分析 82
6.6.3 屬性預測實驗 85
6.6.4 零樣本圖像分類實驗 87
6.7 本章小結 93
參考文獻 93
第7章 基于自適應多核校驗學習的多源域屬性自適應 94
7.1 系統結構 96
7.2 源域構造 97
7.3 特征選擇 99
7.4 基于中心核校準的自適應多核學習 99
7.5 算法步驟 101
7.6 實驗結果與分析 102
7.6.1 實驗數據集 102
7.6.2 參數分析 102
7.6.3 零樣本圖像分類實驗 105
7.7 本章小結 115
參考文獻 116
第8章 基于深度特征遷移的多源域屬性自適應 117
8.1 系統結構 118
8.2 多源域構造 120
8.3 圖像預處理 120
8.4 深度可遷移特征提取 121
8.5 目標域特征加權 122
8.6 基于稀疏表示的屬性-類別關系挖掘 123
8.7 基于多源決策融合的IAP模型 124
8.8 實驗結果與分析 125
8.8.1 實驗數據集 125
8.8.2 參數分析 125
8.8.3 零樣本圖像分類實驗 127
8.9 本章小結 131
參考文獻 133
第9章 基于混合屬性的直接屬性預測模型 134
9.1 研究動機 134
9.2 系統結構 135
9.3 基于HA-DAP的零樣本圖像分類 135
9.3.1 混合屬性的構造 135
9.3.2 基于稀疏編碼的非語義屬性學習 137
9.3.3 基于混合屬性的直接屬性預測模型 138
9.4 實驗結果與分析 140
9.4.1 實驗設置 140
9.4.2 零樣本圖像分類實驗 141
9.5 本章小結 145
參考文獻 146
第10章 基于關系非語義屬性擴展的自適應零樣本圖像分類 147
10.1 系統結構 148
10.2 關系非語義屬性獲取 149
10.3 域間自適應關系映射 150
10.4 關系非語義屬性擴展的自適應零樣本圖像分類 152
10.5 實驗結果與分析 153
10.5.1 實驗設置 153
10.5.2 參數分析 153
10.5.3 關系非語義屬性字典分析 154
10.5.4 零樣本圖像分類實驗 156
10.6 本章小結 161
參考文獻 161
第11章 基于多任務擴展屬性組的零樣本圖像分類 163
11.1 系統結構 164
11.2 多任務擴展屬性組訓練模型 165
11.3 類別-類別關系矩陣構建 167
11.4 基于多任務擴展屬性組的零樣本分類 168
11.5 實驗結果與分析 169
11.5.1 實驗設置 169
11.5.2 類別關系矩陣構建 170
11.5.3 類別與屬性分組構建 171
11.5.4 零樣本圖像分類實驗 172
11.6 本章小結 177
參考文獻 178
第12章 基于共享特征相對屬性的零樣本圖像分類 179
12.1 研究動機 179
12.2 系統結構 180
12.3 基于RA-SF的零樣本圖像分類 181
12.3.1 共享特征學習 182
12.3.2 基于共享特征的相對屬性學習 183
12.3.3 基于共享特征的相對屬性零樣本圖像分類 185
12.4 實驗結果與分析 186
12.4.1 實驗數據集 186
12.4.2 參數分析 187
12.4.3 共享特征學習實驗 188
12.4.4 屬性排序實驗 189
12.4.5 零樣本圖像分類實驗 192
12.5 本章小結 193
參考文獻 194
第13章 基于相對屬性的隨機森林零樣本圖像分類 196
13.1 研究動機 196
13.2 系統結構 197
13.3 基于RF-RA的零樣本圖像分類 197
13.3.1 屬性排序函數的學習 197
13.3.2 屬性排序得分模型的建立 199
13.3.3 基于相對屬性的隨機森林分類器 200
13.3.4 基于RF-RA的零樣本圖像分類 201
13.4 實驗結果與分析 202
13.4.1 屬性排序實驗 202
13.4.2 零樣本圖像分類實驗 204
13.4.3 圖像描述實驗 208
13.5 本章小結 210
參考文獻 211
展開全部
零樣本圖像分類 節選
第1章 緒論 1.1 零樣本圖像分類 模式識別是信息科學和人工智能的重要組成部分，主要應用于圖像分析與處理、語音識別、聲音分類、通信、計算機輔助診斷、數據挖掘等方面。研究模式識別的主要目的是對樣本進行分類，一個典型的模式識別系統如圖1.1所示。模式識別問題主要有三種解決方法：有監督學習、無監督學習與半監督學習。三種解決方法的主要區別在于各實驗樣本所屬的類別標簽是否已知。具體來說，有監督學習中對象類的類別標簽被視為先驗知識，在實驗過程中完全已知，通過輸入數據類別標簽之間的對應關系，學習一個分類或映射函數。目前廣泛使用的有監督分類器有人工神經網絡、支持向量機（support vector machine，SVM）、*近鄰法、高斯混合模型、樸素貝葉斯方法、決策樹和徑向基函數分類等。無監督學習中對象類的類別標簽是完全未知的，在模型訓練時由于沒有類別標簽存在所以無法判斷分類結果是否正確，典型模型包括強化學習和聚合操作等。半監督學習則是實驗樣本的類別標簽部分已知，通過綜合利用少量有標簽的數據和大量沒有標簽的數據進行機器學習。 圖1.1 模式識別系統 在圖像識別的實際應用問題中，從海量圖像數據中選擇有標簽的圖像類往往需要大量的時間與精力，而無標記樣本的獲取隨著數據收集和存儲技術的發展變得越來越容易。如何在標記樣本數量不足的情況下利用大量無標簽數據來提高模型的泛化能力，成為圖像識別領域乃至模式識別領域一個亟須解決的問題。目前人們針對這種圖像識別問題場景提出了很多學習方法，如半監督學習[1]、遷移學習[2]、終身學習[3]、多任務學習[4]、自主學習[5]和單樣本學習[6]等。這些學習方法都是希望充分地利用標記樣本，并借助大量未標記樣本來幫助并進一步地提高分類器的學習性能。 現實中還存在一種更難解決的問題，即存在大量對象類（如1000類以上）時，很難為所有對象類都標注一些訓練樣本，此時就導致每個類未必都有訓練樣本。例如，在生物學中，使用計算機對蛋白質結構圖像進行結構分析或者功能鑒定，由于蛋白質數量成千上萬，若為每一個蛋白質都收集并標注一幅結構圖像是很難做到的。在這種情況下，若訓練階段樣本類別不足以涵蓋所有對象類，對于實際應用中出現的新對象類，傳統分類器將無法工作。針對上述問題，Larochelle等[7]提出零樣本學習（zero-shot learning）概念，也稱為零樣本圖像分類，主要用于解決在標記訓練樣本不足以涵蓋所有對象類的情況下，如何對未知新模式進行正確分類的問題。零樣本學習如圖1.2所示，訓練階段標記圖像樣本涵蓋“短尾貓”、“水牛”和“吉娃娃”三個類別，測試階段卻出現了“黑猩猩”、“柯利犬”和“兔子”等新的類別，此時由于訓練對象類和測試對象類分布不同，通過訓練樣本學習到的分類器無法對新出現的對象類進行分類識別，這種非常困難的學習任務稱為零樣本學習。 圖1.2 零樣本學習 這種極端圖像場景識別問題雖然是一個非常困難的學習任務，但是在現實應用場景中廣泛存在。Larochelle等[7]針對字符識別領域的零樣本問題進行研究，并取得了高于60%的字符識別率。Palatucci等[8]針對神經活動解讀實驗中的零樣本問題進行研究，取得了高于70%的零樣本學習識別率。Lampert等[9]在動物數據集上進行了相關問題的研究，提出了兩種屬性預測模型用于解決零樣本問題。Fu等[10]在視覺圖像識別領域取得了高于80%的零樣本學習識別率。 1.2 零樣本圖像分類發展現狀 在零樣本圖像分類中，訓練類不足以涵蓋所有對象類導致訓練樣本和測試樣本分布不同，傳統監督方法設計的分類器如果直接應用到零樣本圖像分類中會出現難理解和泛化性差等問題。零樣本圖像分類的關鍵問題在于如何克服訓練樣本圖像和測試樣本圖像分布不同的困難，即在已知訓練類和未知測試類之間搭建一個知識共享的橋梁，因此，目前零樣本圖像分類主要研究方向可以分為屬性知識表示方法及知識遷移與共享方法。本節將對這兩個方向的發展現狀進行展開介紹。 1.2.1 屬性知識表示方法研究進展 在零樣本學習中，為實現已知模式和新模式之間的相關知識遷移，需要首先構建可以被對象類共享的某種中間知識表示。針對一幅沒有標簽信息的測試圖像，即使其類別信息缺乏，人類仍然能夠很容易地對測試圖像進行一些特性的描述，例如，在圖1.2中，盡管訓練類別中沒有黑猩猩，但人們依靠先驗知識仍能將其描述為“黑色”“有四肢”“哺乳動物”等。Ferrari等[11]首次將這些較高層次的描述性特征命名為圖像的視覺屬性，圖像的視覺屬性可以通過已有的圖像及類別標簽來學習。Khan等[12]提出了顏色屬性的概念，顏色屬性結構緊湊，計算效率高，結合傳統形狀特征使用能夠有效地提高圖像分類率。 目前主要研究三種類型的屬性，顏色及紋理屬性主要包括“紅色”、“圓形”和“斑點”等；部件屬性主要包括“有尾巴”、“有耳朵”和“有四肢”等；區分屬性表示不同類別之間的差異，主要包括“比長頸鹿矮”、“不像鳥類”和“類似于老鼠”等。屬性作為人們可理解的對象類別間共享的性質，可以作為一種先驗信息將高層次的語義關系嵌入機器學習預測模型中，具有圖像底層特征不具備的以下優點[13]。 （1）共享性。屬性作為底層圖像和高層語義之間的一種描述方式，可以被不同的對象類共享，例如，“有皮毛”這一屬性可以同時被“兔子”“黑猩猩”“獅子”等對象類別共享。因此，通過對所有對象類共同的屬性描述，可以將以前學到的各類屬性知識推廣遷移到新的對象或類別上。 （2）語義性。屬性與一般底層特征相比具有一定的語義含義，可以作為一種更高級的人機交互方式，使圖像檢索、目標追蹤等工作更加方便，并使得模式識別的學習結果更具有可解釋性。 （3）靈活性。與底層特征不同，屬性描述既可以描述對象的某些局部特征（如“長尾巴”），也可以描述對象的全局特征（如“體積大”），還可以描述對象的類別特征（如“像長頸鹿”）。因此，在描述對象的能力上，屬性比特征具有更靈活和更全面的表現形式。 （4）可操作性。與類別標簽標注不同，人們在為對象標注屬性時常常是以一個對象類而不是以一個圖像實例為單位進行的，而一個對象類可能對應著上千幅圖像，因此標注屬性是一件容易操作且相對經濟的事情。 由于具有上述種種優點，屬性能夠以一種更接近自然語言的方式描述對象，在復雜易變的學習環境中能夠一定程度上彌補對象的高層類別標簽和底層特征之間的語義鴻溝[14]。近幾年來，圖像視覺屬性廣泛地應用于圖像描述、圖像分類、圖像檢索、人體行為檢測、人臉識別、視頻監控、對象跟蹤與圖像美學鑒定等計算機視覺領域。 由于視覺屬性可以用來連接高層對象類別標簽與底層圖像特征，所以人們嘗試采用“圖像—中間層屬性—高層類別”的結構來試圖解決目前存在的語義鴻溝問題。 為了使分類器對訓練階段未見過的對象類仍能在一定程度上進行正確的識別，零樣本學習場景中將屬性這一概念作為被研究模式的一種中間表示使用，如圖1.3所示。對于未知新模式的測試圖像，計算機雖然不知道其類別標簽，但是人們可以用一系列屬性對其進行描述，即“倉鼠”這一測試類可以由“毛皮”、“爪子”、“棕色”和“體積小”這一系列屬性進行描述。雖然訓練樣本中沒有“倉鼠”這一類別的圖像數據，但是由于屬性具有共享性，人們可以使用訓練類中的“兔子”、“波斯貓”和“綿羊”等類別學習屬性“毛皮”，使用“馬”、“柯利犬”和“獅子”等動物學習屬性“棕色”等，這樣通過學習一系列屬性分類器，利用屬性在可見模式和未知新模式之間知識傳遞的作用來實現對未知新模式的預測與識別。 圖1.3 屬性學習與零樣本圖像分類 圖1.3中類別-屬性關系通過語義挖掘技術獲得，對圖像或類別標注屬性標簽一般有三種途徑。通常，這一過程可以通過人工標注來完成，多個“專家”或“作者”使用亞馬遜旗下的Amazon’s Mechanical Turk標注器[15]來進行標注。Farhadi等[16]使用“專家意見”和Amazon’s Mechanical Turk標注器相結合來為圖像庫加注標簽，從自然語言資源中收集目標物體與屬性間的視覺相關性信息，包括WordNet和Wikipedia等。Rohrbach等[13]借助外部語義庫挖掘屬性與類別標簽間的對應關系，通過類別之間的屬性共享性實現相關知識遷移。此外，還可以借助一些搜索引擎和購物網站上提供或出售的數據進行機器自動挖掘，例如，針對谷歌、淘寶等網站存在的很多人工標注的圖像，Russakovsky等[17]和Berg等[18]分別利用這些網站提供的圖像及其對應的標簽來學習屬性描述。 由于人為定義的屬性會包含較多的冗余信息，即兩個屬性或多個屬性可能會包含過多相似、相近的信息，冗余信息的存在可能會導致屬性的學習能力和效率均有所下降。Branson等[19]將屬性模型應用于查詢游戲，通過不斷地詢問問題來確定所要選取的事物屬性，進而找到物體。Parikh等[20]提出以自動提取或者人工交互式的方法來生成與選擇具備不同含義和較強判別能力的屬性，完全依靠機器進行自動挖掘屬性相當于一個無監督的學習過程。由于通過增加一些反饋或者使用少量標簽可以實現更精確的屬性學習效果，因此Rarikh等[20]提出一種使用帶反饋環的視覺屬性標簽獲取方法，通過反饋將人的主觀選擇能力加入屬性標簽獲取過程中，從而建立一個完備的屬性集合。 Kulkarni等[21]提出了baby talk的思想：因為一個小孩在認識事物時，會從一個事物的基本含義入手，描述一幅圖像為“畫里有花、有草、有樹”，而屬性正有這樣的性質，故將圖像中的屬性比對成小孩認識的元素概念，自動生成相關的語句，進而描述該幅圖像。Duan等[22]考慮到屬性具有描述物體細節的能力，例如，“家鼠”和“田鼠”可能在圖像特征方面很難進行區分，但是通過屬性這種語義化的描述方式可以對兩類老鼠進行一個細節上的區分，首先對訓練圖像進行分塊處理并進行屬性學習，采用有監督方法對預測結果進行交互和反饋，將同一對象類的圖像進行細分，使模型能夠識別一些細化的子類，如“耳朵小的亞洲象”和“耳朵大的非洲象”、“紅色翅膀的蝴蝶”和“黃色翅膀的蝴蝶”等。Kong等[23]提出一種動作屬性概念，通過提取動態影像中的人體動作屬性來實現動作姿勢識別。 Parikh等[24]提出一種包含反饋信息的新的特征表示，使用該特征表示學習一個排序方程以提高系統的相關性估計。用戶使用該模型在鞋類和人臉的圖像搜索中分別提供二值性反饋和相關性反饋，結果顯示當系統學習到一些可解釋的行為后，搜索效果得到了極大的改善。Kovashka等[25]提出一種新的反饋式圖像搜索模型，使用者按照自己所要檢索的圖片使示例圖像進行適當的調整。例如，使用者針對查詢條件“黑色的鞋子”所產生的圖像結果不滿意，可以繼續搜索“黑色鞋子但是有些運動風格”。針對這一搜索要求，模型首先學習一系列排序方程，每個方程均預測圖像中的一個屬性值的相對強度，例如，屬性“運動風格”。在查詢階段，系統首先提供給用戶一系列示例圖像，然后用戶針對這些示例圖像使用一些比較詞來描述自己所要搜索的圖像。在多維屬性空間中使用這一系列的約束條件，模型能夠反復更新相關模型并對數據集中的圖像進行排序，*終得到*滿意的查詢圖像。 具體圖像語義屬性的學習思路如圖1.4所示，首先根據類別或圖像與屬性間的映射關系獲取圖像語義屬性的訓練集，針對某一屬性，將共同含有該屬性的圖像集作為訓練集的正樣本，不具有此屬性的圖像集作為負樣本。然后對圖像進行特征提取和描述，使用訓練數據的圖像特征對分類器進行訓練和學習，從而得到圖像的語義屬性分類器。以學習“白色”語義屬性為例，把擁有“白色”屬性的作為訓練集的正樣本，沒有該屬性的作為訓練集的負樣本，通過使用支持向量機等方法對訓練集進行正負樣本分類，從而學習到“白色”這一屬性分類器。具體詳細介
零樣本圖像分類 作者簡介
王雪松，女，1974年12月生，安徽省泗縣人，博士，中國礦業大學信息與控制工程學院教授，博士生導師，教育部新世紀很好人才，江蘇省333高層次人才，孫越崎青年科技獎獲得者。 1992年9月至1996年7月，在安徽理工大學電氣工程系學習，獲得工學學士學位。1996年9月至1999年7月，在中國礦業大學讀控制理論與控制工程專業碩士研究生，獲得工學碩士學位。1999年9月至2002年7月，在中國礦業大學讀控制理論與控制工程專業博士研究生，獲得工學博士學位。2002年7月至2004年7月，在北京理工大學控制科學與工程博士后流動站做博士后。 研究方向為機器學習及模式識別。現為《電子學報》編委、中國機械工業教育協會自動化學科教學委員會委員等。近年來，主持國家自然科學基金項目3項；以完成.人身份，獲教育部自然科學獎二等獎2項；在科學出版社出版專著5部：發表被SCI、EI收錄論文100余篇。
書友推薦
- >
李白與唐代文化
- >
【精裝繪本】畫給孩子的中國神話
- >
名家帶你讀魯迅:故事新編
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
有舍有得是人生
- >
回憶愛瑪儂
- >
姑媽的寶刀
本類暢銷
