基于深度排序学习的零样本多标签图像分类

发布时间：2023-02-26 17:41

　　在图像分类领域,传统的图像分类系统要想准确识别某种类别,必须先获取对应类别的带标签训练样本,抽样其中部分样本作为训练集构造分类器,再进行测试分类。但实际情况中,目标种类数目庞大,获取所有类别的标注样本代价昂贵,反言之,当有大量图片需要分类时,为每一图像收集相应的标签进行标注也往往不太现实,此时传统的分类方法往往难以奏效。为解决这一问题,研究人员提出了利用诸如文本等辅助信息源对训练期间未见类别实现分类,这类学习方式叫做零样本学习(Zero-Shot Learning),源于人类仅通过描述就能识别新事物的能力。然而,目前模型大多局限于单个标签的图像分类,实际大多数图像包含多个对象类别,对应多个标签。零样本多标签图像分类作为一类交叉学习任务,既面临零样本学习任务的难点,也面临多标签分类任务的挑战。本文结合两类学习任务的特点,对这一特定学习任务进行分析,并分别实现了两种零样本多标签图像分类模型。首先提出了基于深度排序学习的零样本多标签图像分类框架,包括特征提取、跨模态映射和多标签分类三部分内容。特别地,提出一种跨模态模型DEM(Deep Embedding Model,DEM),实现视觉特征和...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题研究的背景和意义
    1.2 零样本多标签图像分类的研究现状
        1.2.1 零样本学习任务及其难点
        1.2.2 现有的多标签图像分类方法
        1.2.3 零样本多标签图像分类任务
    1.3 本文研究目标和研究内容
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 本文内容安排
第2章 零样本学习的相关理论介绍
    2.1 卷积神经网络
    2.2 模型类别划分
        2.2.1 监督学习
        2.2.2 直推式学习和归纳式学习
    2.3 迁移学习
    2.4 多模态学习
        2.4.1 研究现状及其难点
        2.4.2 目前主流算法
    2.5 属性特征
    2.6 文本向量化
        2.6.1 文本向量化概述
        2.6.2 Word2vec模型简介
    2.7 本章小结
第3章 基于深度排序学习的零样本多标签图像分类
    3.1 问题定义
    3.2 基于深度RankSVM的零样本多标签图像分类
        3.2.1 DEM模型
        3.2.2 DRankSVM分类算法
        3.2.3 TraMP分类算法
    3.3 实验
        3.3.1 数据集选取和模型参数设置
        3.3.2 评价指标
        3.3.3 实验对比分析
    3.4 本章小结
第4章 基于深度多示例的零样本多标签图像分类
    4.1 基于深度示例差异化算法的零样本多标签图像分类
    4.2 跨模态映射模型泛化
        4.2.1 自训练策略
        4.2.2 特征融合策略
    4.3 实验结果及分析
        4.3.1 实验设置和对比算法
        4.3.2 实验对比分析
    4.4 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 展望
参考文献
发表论文和参加科研情况说明
致谢



本文编号：3750613