傳統(tǒng)監(jiān)督學(xué)習(xí)存在以下幾個(gè)弊端:（1）給訓(xùn)練樣本標(biāo)注標(biāo)簽需要耗費(fèi)大量人力和時(shí)間,代價(jià)昂貴。（2）可能會(huì)出現(xiàn)很難收集到某些類測(cè)試樣本的同類訓(xùn)練樣本。（3）在訓(xùn)練樣本上學(xué)習(xí)的分類器泛化性能不高,即標(biāo)簽預(yù)測(cè)準(zhǔn)確率較低。基于上述三個(gè)不足之處,有專家學(xué)者提出用零樣本識(shí)別代替?zhèn)鹘y(tǒng)監(jiān)督學(xué)習(xí)。零樣本識(shí)別可以減少訓(xùn)練成本,同時(shí)顯著提高識(shí)別率,因此具有巨大研究?jī)r(jià)值和廣泛應(yīng)用前景。零樣本識(shí)別是利用已知標(biāo)簽訓(xùn)練樣本的語義知識(shí)遷移完成測(cè)試樣本標(biāo)簽預(yù)測(cè),但是訓(xùn)練集和測(cè)試集沒有交集,從訓(xùn)練樣本學(xué)習(xí)的屬性分類器必然無法完全適用于所有未見過的測(cè)試樣本,會(huì)導(dǎo)致測(cè)試樣本的預(yù)測(cè)屬性不準(zhǔn)確,與未知類別類原型屬性發(fā)生偏移,即產(chǎn)生語義遷移問題。因此,研究如何緩解語義遷移對(duì)零樣本識(shí)別的影響有重要意義,我們的主要工作如下所示:第一,我們提出了基于類間屬性約束的語義自編碼算法（SAOICAC算法）。此算法針對(duì)當(dāng)前主流的SAE算法用類原型屬性代替樣本屬性這一缺陷提出的。首先,我們?cè)谟?xùn)練樣本上基于語義自編碼和視覺語義相似性約束一起學(xué)習(xí)屬性分類器。然后,通過訓(xùn)練的屬性分類器預(yù)測(cè)測(cè)試樣本未知屬性。最后,利用標(biāo)簽分類器獲得測(cè)試樣本標(biāo)簽。SAOICA... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

零樣本識(shí)別示例

我們很難收集到大量且高質(zhì)量的其同類圖片進(jìn)行分類器模型學(xué)習(xí)熊貓”、“斑馬”和“大象”等容易采集到樣本圖像來訓(xùn)練分類器對(duì)測(cè)試樣本集進(jìn)行標(biāo)簽預(yù)測(cè)。零樣本識(shí)別可以減少訓(xùn)練樣本數(shù)量學(xué)習(xí)中同類訓(xùn)練樣本可能缺失的不足，而且識(shí)別率較高，在圖像關(guān)注。別簡(jiǎn)介別中，根據(jù)其定義可知，訓(xùn)練樣本和測(cè)試樣本間不存在交集。那起來的呢？一般是將語義空間[16,38]作為連接訓(xùn)練集和測(cè)試集之間語義屬性[5,11,52,59]空間和語義詞向量空間[15,36,37]兩大類，因?yàn)檎Z義泛應(yīng)用，在整個(gè)論文中我們就詳細(xì)介紹基于語義屬性的零樣本識(shí)別

學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文 第一章 緒屬性分類器必然無法完全適用于所有未見過的測(cè)試樣本，這樣就會(huì)使屬性分類樣本屬性和其真實(shí)屬性之間產(chǎn)生偏差，即預(yù)測(cè)的測(cè)試樣本屬性不準(zhǔn)確，與其類生偏移，這就是語義遷移問題，通過標(biāo)簽分類器與未知類別類原型屬性對(duì)比得標(biāo)簽就有可能是錯(cuò)誤的，識(shí)別率也會(huì)隨之降低，語義遷移問題如圖 1.5 所示。遷移對(duì)識(shí)別率的影響成為現(xiàn)在零樣本識(shí)別領(lǐng)域?qū)＜覍W(xué)者們研究的重點(diǎn)。


本文編號(hào)：2974246