1.一种零样本学习方法,用于从可见类别样本到不可见类别样本进行知识迁移,以识别从未见过的数据类别,其特征在于,主要包括以下步骤:步骤1、获取训练特征数据集,所述训练特征数据集包括可见类别样本,其中可见类别样本包括标签、真实视觉特征和语义特征;
步骤2、搭建基于生成网络(GAN)、噪声自编码器(WAE)、回归网络以及判别网络的零样本学习模型,并对零样本学习模型中的生成网络、噪声自编码器、回归网络以及判别网络进行初始化;
步骤3、训练生成网络和噪声自编码器,以分别生成第一视觉特征和第二视觉特征,并将第一视觉特征和第二视觉特征根据不同权重融合成伪视觉特征;
步骤4、训练判别网络,以对所述伪视觉特征和所述真实视觉特征进行分类,并通过对抗机制优化生成网络和判别网络;
步骤5、训练回归网络,将所述伪视觉特征作为输入,以将伪视觉特征映射到语义特征;
步骤6、将生成网络、噪声自编码器、回归网络和判别网络的损失函数相加,以得到总目标函数,并进行迭代以达到算法优化的目的。
2.根据权利要求1所述的零样本学习方法,其特征在于:步骤1中,所述标签包括数量标签和类别标签,所述语义特征包括词向量和属性特征。
3.根据权利要求1所述的零样本学习方法,其特征在于:步骤2中,所述生成网络、噪声自编码器、回归网络和判别网络之间使用前馈神经网络进行数据传递。
4.根据权利要求2所述的零样本学习方法,其特征在于:步骤3中,所述生成网络通过属性特征和高斯随机噪声生成第一视觉特征;所述噪声自编码器通过词向量、潜在变量和高斯随机噪声生成第二视觉特征。
5.根据权利要求1所述的零样本学习方法,其特征在于,步骤3中,第一视觉特征和第二视觉特征融合成伪视觉特征的公式为:其中,xf是伪视觉特征,λ是相应的权重,x1是第一视觉特征表示, 是第二视觉特征表示,第一视觉特征和第二视觉特征两个部分的权重之和为1。
6.根据权利要求5所述的零样本学习方法,其特征在于,步骤4中,所述对抗机制可以表示为:其中,x是真实视觉特征,xf=G(a,w,z), α~U(0,1)。
7.根据权利要求6所述的零样本学习方法,其特征在于:步骤4中,所述伪视觉特征和所述真实视觉特征均通过最小二乘损失公式约束其分布,所述最小二乘损失公式为:其中,x是真实视觉特征,xf是伪视觉特征。
8.根据权利要求1所述的零样本学习方法,其特征在于:步骤6中的总目标函数为:L=LWGAN+L1+λ2*LR,
其中,λ2是在不同部分分配权重的超参数。
9.根据权利要求1所述的零样本学习方法,其特征在于:步骤6中,使用Adam作为优化器进行算法优化。
10.根据权利要求1所述的零样本学习方法,其特征在于:还包括步骤7、将步骤3中训练好的生成网络用于不可见类别样本的真实视觉特征生成,并对其分类,以测试步骤6中的所述总目标函数。