(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211268579.0 (22)申请日 2022.10.17 (71)申请人 四川大学 地址 610042 四川省成 都市一环路南 一段 24号 (72)发明人 贺喆南　徐浚哲　吕建成　汤臣薇　 江姗霖　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 陈瑶 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01)G06V 10/42(2022.01) (54)发明名称 一种基于动态特征抽取和属性修正的零样 本分类方法 (57)摘要 本发明公开了一种基于动态特征抽取和属 性修正的零样本分类方法， 包括以下步骤： 获取 视觉样本和语义特征； 构建基于动态特征抽取和 属性修正的零样本学习网络； 将 视觉样本和语义 特征传输至基于动态特征抽取和属性修正的零 样本学习网络， 得到并根据视觉样 本特征和修正 后的语义特征计算损失值， 将损失值反向传播重 复本步骤直至训练结束； 对训练后的基于动态特 征抽取和属性修正的零样本学习网络进行验证； 若准确率高于预定值则进入下一步； 否则返回上 一步； 采用训练后的基于动态特征抽取和属性修 正的零样 本学习网络对数据集进行分类。 本发明 针对不同属性的不同性质 采用不同的特征抽取 方法， 提出属性修正概念， 增强了网络的表征能 力。 权利要求书3页 说明书9页 附图2页 CN 115546553 A 2022.12.30 CN 115546553 A 1.一种基于动态特 征抽取和 属性修正的零样本分类方法， 其特 征在于， 包括以下步骤： S1、 获取视 觉样本x和语义特 征α； S2、 构建基于动态特 征抽取和 属性修正的零样本学习网络； S3、 将视觉样本和语义特征传输至基于动态特征抽取和属性修正的零样本学习网络， 得到并根据视觉样本特征和修正后的语义特征计算损失函数， 根据损失函数计算损失值并 将损失值进行梯度回传； 重复本步骤直至训练结束； S4、 对训练后的基于动态特征抽取和属性修正的零样本学习网络进行验证； 若准确率 高于预定值则进入步骤S5； 否则进入步骤S3； S5、 采用训练后的基于动态特征抽取和属性修正的零样本学习网络对数据集进行分 类。 2.根据权利要求1所述的一种基于动态特征抽取和属性修正的零样本分类方法， 其特 征在于， 基于动态特征抽取和属 性修正的零样本学习网络包括特征抽取主干网络、 属 性定 位网络、 属性 修正网络、 尺度控制单 元和损失值计算模块； 特征抽取主干网络的第 一输出端连接属性修正网络的第 一输入端； 特征抽取主干网络 的第二输出端连接属性定位网络的第一输入端； 特征抽取主干网络的第三输出端连接尺度 控制单元 的输入端； 尺度控制单元 的第一输出端连接属 性修正网络的第二输入端； 尺度控 制单元的第二输出端连接属性定位网络的第二输入端； 属性定位网络的输出端和属性修正 网络的输出端连接损失值计算模块。 3.根据权利要求2所述的一种基于动态特征抽取和属性修正的零样本分类方法， 其特 征在于， 步骤S3的具体实现方式如下： S3‑1、 通过属性定位网络对视 觉样本特 征属性定位并提取局部特 征和全局特 征； S3‑2、 通过属性 修正网络提取属性 修正所需的局部特 征和全局特 征； S3‑3、 通过尺度控制单元融合属性定位网络和属性修正网络提取的局部特征和全局特 征， 获得属性 修正值和视觉样本特 征； S3‑4、 根据属性 修正值对语义特 征进行修 正， 得到修 正后的语义特 征； S3‑5、 根据视觉样本特征和修正后的语义特征之间的距离计算损失值； 回传损失值， 更 新基于动态特 征抽取和 属性修正的零样本学习网络参数。 4.根据权利要求3所述的一种基于动态特征抽取和属性修正的零样本分类方法， 其特 征在于， 步骤S3 ‑1的具体实现方式如下： S3‑1‑1、 通过特征抽取主干网络获取视觉样本x的视觉样本特征图 其中， C 表示特征图的通道数， 即每个像素点的特征的维数； H表 示特征图的高度； W表 示特征图的宽 度； 表示数据的形状； S3‑1‑2、 根据公式：权　利　要　求　书 1/3 页 2 CN 115546553 A 2得到视觉样本的局部特征uL； 其中， i表示特征图的高度； j表示特征图的宽度； 为属性图， 表示属 性在特征图上 的分布情况， K表示属 性的数量， w表示注意力 权重， v表示属性的具体分布值； softmax函数表示将每个通道上的特征图的像素值归一化 到0‑1之间； φv和φw表示两个卷积核大小为1 ×1的卷积层； S3‑1‑3、 根据公式： 得到视觉样本的全局特征uG； 其中； i'表示特征图的高度； j'表示特征图的宽 度。 5.根据权利要求4所述的一种基于动态特征抽取和属性修正的零样本分类方法， 其特 征在于， 步骤S3 ‑2的具体实现方式如下： 根据公式： 得到每个属性的局部特征tL和每个属性的全局特征tG； 其中， φr表示计算属性修正值 的卷积核大小为1 ×1的卷积核； maxc’,d’表示全局最大池化； c'表示特征图的高度； d'表示特 征图的宽度； 6.根据权利要求5所述的一种基于动态特征抽取和属性修正的零样本分类方法， 其特 征在于， 步骤S3 ‑3的具体实现方式如下： S3‑3‑1、 根据公式： 得到属性是局部属性还是全局属性的概率g； 其中， φs表示卷积 核为1×1的卷积层； c表 示特征图的高度； d表示特 征图的宽度； S3‑3‑2、 根据公式： 权　利　要　求　书 2/3 页 3 CN 115546553 A 3