计算机应用

作者：徐戈, 肖永强, 汪涛, 陈开志, 廖祥文, 吴运兵

单位：1. 闽江学院 计算机与控制工程学院, 福州 350108;2. 福州大学 数学与计算机科学学院, 福州 350116;3. 福建省网络计算与智能信息处理重点实验室(福州大学), 福州 350116;4. 数字福建金融大数据研究所, 福州 350116

关键词：零样本学习,图像分类,生成对抗网络,视觉误差,属性语义

基金：国家自然科学基金资助项目（61772135，U1605251，61703195）；中国科学院网络数据科学与技术重点实验室开放课题基金资助项目（CASNDST201708，CASNDST201606）；模式识别国家重点实验室开放课题基金资助项目（201900041）；福建省自然科学基金面上项目（2017J01755）；赛尔网络下一代互联网技术创新项目（NGII20160501）。

在图像分类的实际应用过程中，部分类别可能完全没有带标签的训练数据。零样本学习（ZSL）的目的是将带标签类别的图像特征等知识迁移到无标签的类别上，实现无标签类别的正确分类。现有方法在测试时无法显式地区分输入图像属于已知类还是未知类，很大程度上导致未知类在传统设定下的ZSL和广义设定下的ZSL（GZSL）上的预测效果相差甚远。为此，提出一种融合视觉误差与属性语义信息的方法来缓解零样本图像分类中的预测偏置问题。首先，设计一种半监督学习方式的生成对抗网络架构来获取视觉误差信息，由此预测图像是否属于已知类；然后，提出融合属性语义信息的零样本图像分类网络来实现零样本图像分类；最后，测试融合视觉误差与属性语义的零样本图像分类方法在数据集AwA2和CUB上的效果。实验结果表明，与对比模型相比，所提方法有效缓解了预测偏置问题，其调和指标H在AwA2（Animal with Attributes）上提升了31.7个百分点，在CUB（Caltech-UCSD-Birds-200-2011）上提升了8.7个百分点。

来源：2020年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第4期