一种基于混合属性学习的小样本目标识别方法与流程

本发明属于目标识别领域，涉及一种基于混合属性(语义属性/隐属性)学习的小样本目标识别方法。

背景技术

小样本目标识别:与深度学习相关的目标识别模型是数据驱动方式的，而样本量少成为模型识别精度的阻碍，小样本的目标识别成为了一个研究热点。现存的小样本目标识别方法没有综合考虑可解释性和鉴别能力。可解释性好的模型，通常鉴别能力较差；鉴别能力好的模型，通常可解释性较差。

属性学习:属性学习是通过建立底层特征与属性的关系、属性与类别等高等信息的关系的学习方式。属性学习可以将类别不同但带有相同属性的样本融合进行模型训练。这种方式能够扩充样本数量，提高泛化能力。

联合字典学习：联合字典学习是一种尝试使用最少的数据表示当前数据的学习方式。字典学习所学习的是蕴藏在样本背后最质朴的特征。字典学习实质上是对于庞大数据集的一种降维表示。字典学习相当于一种对数据的重新编码方式。

技术实现要素：

本发明针对现有技术的不足，提出了一种基于混合属性(语义属性/隐属性)学习的小样本目标识别方法。该方法克服了其它方法只存在较好的解释性而鉴别能力较差，或者只存在较好的鉴别能力而解释性较差的缺点，综合了语义属性与隐属性的优势，兼顾可解释性与鉴别能力。

本发明方法具体是：

步骤(1)、定义语义属性并获取辅助样本

根据所要学习的目标定义语义属性，同时获取包含所定义的语义属性但与目标对象不同类别的样本作为辅助样本。所述的语义属性包括但不限于：形状属性、材质属性、是否包含重要构建属性。

步骤(2)、构建特征子网络

其中特征子网络分为两个，一个用于提取目标训练样本的隐属性，另一个用于提取辅助样本的语义属性。

卷积神经网络的前几层特征是类似的，参数可以复用的。所以，将经过训练的alexnet的前2层作为提取目标训练样本的隐属性的特征子网络，用于提取底层的隐属性特征。其中底层的隐属性特征包括但不限于：边缘特征、线特征、点特征等低级特征。

更深的网络能够获得语义属性，将alexnet的前3层作为获得语义属性的特征子网络。并将获得语义属性的特征子网络和获得隐属性的特征子网络称为特征子网络。

步骤(3)、将目标训练样本和辅助样本输入特征子网络提取特征

将目标训练样本输入用于获得隐属性的特征子网络，输出目标训练样本的隐属性特征。将辅助样本输入用于获得语义属性的特征子网络，用于获得辅助样本的语义属性特征。

步骤(4)、将提取到的特征进行字典学习，获得对特征的编码

在字典学习的框架下，学习特征子网络输出的隐属性特征与语义属性特征相关的联合字典，其中语义属性相关字典的构建综合利用了目标训练样本与辅助样本中的信息。

联合字典学习需要综合考虑多方面的约束条件。其中的一个约束是在当前字典下目标样本要有小的重构误差，对应的损失函数为：

其中，d^u,d^d分别是用户定义的语义属性相关字典、隐属性字典；yt是目标训练样本集合，是yt对应的d^u,d^d的编码集合。

另外一个约束是当前字典下，目标训练样本的编码具备高的可鉴别性，亦即高可分性，对应的损失函数为：

其中，是第i个目标训练样本对应的隐属性编码，mi,j用于表征第i，j个目标训练样本的类别标签是否一致，一致为1，不一致为0。

还有一个约束是当前字典对用户定义的语义属性具有比较高的还原能力，对应的损失函数为：

其中，是全部样本集合的语义属性编码，a是全部样本集合的语义属性标注，w是线性变换矩阵。

由此，总的优化目标函数为：

其中λd、λa是权重系数。

对总的优化目标函数进行训练，得到对语义属性特征和隐属性特征的编码方式。

步骤(4)、将编码后包含语义属性和隐属性的数据输入多分类器进行分类训练，得到分类网络，用于后续对目标进行分类。

本发明的有益效果如下：

本发明综合了语义属性在可解释性、推广性上的优势和隐属性在鉴别能力上的优势。在字典学习的框架下，学习语义属性相关字典以及隐属性字典，提升混合属性的鉴别能力。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合具体实施例对本发明做进一步的分析。

本实验将猫作为训练的样本数据集。包括以下步骤，如图1所示：

步骤(1)、定义语义属性并获取辅助样本

根据所要学习的目标定义语义属性，同时获取包含所定义的语义属性但与目标对象不同类别的样本作为辅助样本。例如：以狗为辅助样本。其中语义属性包括但不限于：狗与猫共同具备的特征4条腿、两只眼睛、胡须等。

步骤(2)、构建特征子网络

其中特征子网络分为两个，一个用于提取目标训练样本的隐属性，另一个用于提取辅助样本的语义属性。

卷积神经网络的前几层特征是类似的，参数可以复用的。所以，将经过训练的alexnet的前2层作为提取目标训练样本的隐属性的特征子网络，用于提取底层的隐属性特征。其中底层的隐属性特征包括但不限于：边缘特征、线特征、点特征等低级特征。此案例提取的也是边缘特征、线特征、点特征等。

更深的网络能够获得语义属性，将alexnet的前3层作为获得语义属性的特征子网络。并将获得语义属性的特征子网络和获得隐属性的特征子网络称为特征子网络。

步骤(3)、将目标训练样本和辅助样本输入特征子网络提取特征

将目标训练样本输入用于获得隐属性的特征子网络，输出目标训练样本的隐属性特征。将辅助样本输入用于获得语义属性的特征子网络，用于获得辅助样本的语义属性特征。

步骤(4)、将提取到的特征进行字典学习，获得对特征的编码

在字典学习的框架下，学习特征子网络输出的隐属性特征与语义属性特征相关的联合字典，其中语义属性相关字典的构建综合利用了目标训练样本与辅助样本中的信息。

联合字典学习需要综合考虑多方面的约束条件。其中的一个约束是在当前字典下目标样本要有小的重构误差，对应的损失函数为：

其中，d^u,d^d分别是用户定义的语义属性相关字典、隐属性字典；yt是目标训练样本集合，是yt对应的d^u,d^d的编码集合。

另外一个约束是当前字典下，目标训练样本的编码具备高的可鉴别性，亦即高可分性，对应的损失函数为：

其中，是第i个目标训练样本对应的隐属性编码，mi,j用于表征第i，j个目标训练样本的类别标签是否一致，一致为1，不一致为0。

还有一个约束是当前字典对用户定义的语义属性具有比较高的还原能力，对应的损失函数为：

其中，是全部样本集合的语义属性编码，a是全部样本集合的语义属性标注，w是线性变换矩阵。

由此，总的优化目标函数为：

其中λd、λa是权重系数。

对总的优化目标函数进行训练，得到对语义属性特征和隐属性特征的编码方式。

步骤(4)、将编码后包含语义属性和隐属性的数据输入多分类器进行分类训练。得到分类网络用于后续对目标进行分类。