CN115761366B 补充缺失特征的零样本图片分类方法、系统、设备及介质 （电子科技大学长三角研究院(湖州)）

补充缺失特征的零样本图片分类方法、系获取所有类别的语义特征；对图片进行特征提的未见类图片特征与图片特征向量组合得到图2收集零样本图片分类数据集，同时获取所有类别的类别所述对图片进行特征提取中特征包括图片对应的图片属性特征以及利用预训练的网将所述图片属性特征中每一维属性的词输入到Word2vector中得到1024维图片特征向所述生成器的输入是图片的类别属性特征，输出是伪造的可见类的图所述类别属性特征是通过所述属性分组将未见类的类别属性特征的某一组的值全部4.一种实施如权利要求1_3任意一项所述补充缺失特征的零样本图片分类方法的补充生成对抗网络模块，用于提取伪造的未见类图片特征，并将伪造31_3任意一项所述补充缺失特征的零样本图片分类得所述处理器执行如权利要求1_3任意一项所述补充缺失特征的零样本图片分类方法的步4[0002]目前，现有的图片分类模型大部分都是建立在所有类别的数据是已知的情况当在这种数据下训练得到的模型遇到不存在于训练数据中的类别图片时，无法进行识别。如果需要对这些新的类别进行识别则需要重新收集新类别的图片数据加入到原有数据集，类是生成型零样本图片分类方法。前者主要是让模型学习图片特征到语义特征的映射函[0010]将所述图片属性特征中每一维属性的词输入到Word2vector中得到1024维图片特5[0014]进一步，所述生成器由四层神经网络组成，分别为300×4096的全连接层，[0015]判别器由四层神经网络组成，分别为1024×4096全连接层，LeakyReLU激活层，[0022]本发明的另一目的在于提供一种实施所述补充缺失特征的零样本图片分类方法6K_means算法将类别属性根据聚类结果进行分组，然后在生成未见类的特征时利用随机置零的方式将某些组别的值设为0，从而输入到输入器中得到确实某些特征的未见类图片特[0038]本发明解决了现有生成式零样本图片分类方法中生成的伪造未见类图片特征分[0047]通过K_means算法将类别属性根据聚类结果进行分组，然后在生成未见类的特征时利用随机置零的方式将某些组别的值设为0，从而输入到输入器中得到确实某些特征的7将属性的词输入到Word2vector中得到每一个属性的[0061]步骤四：通过K_means聚类算法对步骤三中的词向量特征进行聚类，设置组别为WGAN(Xian,Y.,Lorenz,T.,Schiele,B.,&Akata,Z.(2018).Featuregeneratingnetwoforzero_shotlearning.InProceedingsoftheIEEEconferenceoncomputer明采用的不是普通的生成式零样本图片生成方法中直接利用步骤一中的未见类类别属性[0066]图2展示了完成类别特征的图片和缺失部分视觉特征的图片；图2(a)有该类别物8[0076]图4是通过K_means方法对属性特征进行聚类的示意图，类别属性就是图片中的[0077]图5则是通过组别得到缺失部分特征的类别语义特征过程，根据聚类的结果将同和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁[0080]在CUB数据集上原始的CLS_WGAN方法的可见类Top1准确率、未见类Top1准确率