top of page
视频展示
项目简介
我们实现了一个由CNN模型和基于鸟类特征加权分类函数组成的零样本学习模型，并在CUB数据集上运行了该模型。在我们的研究中，我们的模 型在一个包含175种已知数据集和25种未知数据混合数据的测试集上最终达到了31.2%的准确率。这个结果表明我们的模型成功实现了零样本学习的目标。
实现方法简介
测试数据预处理
-
将所有图像调整大小为统一的宽度和长度，使所有图片和数据集最小图像的尺寸（264 × 121）以符合CNN输入的要求。
数据集分割
-
CUB-200数据集包含了200种鸟类，并且该数据集标记了某种鸟类特定属性是否出现在图片中。
-
整个数据集分为两组：175个可见数据集和25个不可见数据集。
-
对于175种已知数据集，进一步分为训练集和验证集，分别占已知数据集的85%和15%。
卷积神经网络(Convolution Neural Network)
-
一个卷积神经网络构建在ResNet50（Wide Residual networks）架构之上。
-
使用带有鸟类属性标签的训练数据集，对该卷积神经网络进行训练
-
验证集的准确率可以达到95.3%。
使用加权属性进行分类
-
欧氏距离(Euclidean distance)给予每个属性相同的权重，因此对于分类是无效的。
-
解决方案：对每个属性进行不同的加权。出现较少的属性应该具有更大的权重。
-
使用加权属性来计算欧氏距离可以显著提高测试准确性。
-
最终模型在测试数据集上的准确率为31.2%。
bottom of page