一种基于视觉特征组合构造的零样本学习方法

零样本学习是机器学习和图像识别领域重要的研究热点.零样本学习方法通常利用未见类与可见类之间的类别语义信息，将从可见类样本学习到的知识转移到未见类，实现对未见类样本的分类识别.提出了一种基于视觉特征组合构造的零样本学习方法，采用特征组合的方式构造产生大量未见类样例特征，将零样本学习问题转化为标准的监督学习分类问题.该方法模拟了人类的联想认知过程，其主要包括4步：特征-属性关系提取、样例构造、样例过滤、特征域适应.在可见类样本上抽取类别属性与特征维度的对应关系；利用特征-属性关系，通过视觉特征的组合构造的方式，产生未见类样例；引入非相似表示，过滤掉不合理的未见类样例；提出半监督特征域适应和无监督特征域适应，实现未见类样例的线性转换，产生更有效的未见类样例.在3个基准数据集（AwA，AwA2和SUN）上的实验结果显示，该方法效能优越，在数据集AwA上获得了当前最优的Top-1分类正确率82.6%.实验结果证明了该方法的有效性和先进性