申请/专利权人：安徽工业大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)

申请日：2021-12-30

公开（公告）日：2024-04-26

公开（公告）号：CN114299342B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/762;G06V10/82;G06N3/045;G06N3/042;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.04.26#实质审查的生效;2022.04.08#公开

摘要：本发明提供一种基于深度学习的多标记图片分类中未知标记分类方法，属于机器学习领域。本发明在充分学习了已知标记特征表示的前提下，通过非负矩阵分解技术，对CNNs提取的特征进行非负矩阵分解，挖掘出未知标记信息，并与分类器做一致性约束，帮助学习未知标记的特征表示。同时根据非负矩阵分解得到的完整标记矩阵的近似解构建更准确的标记关系矩阵，然后利用图神经网络学习标记关系，得到具有语义信息的未知标记特征表示。本发明通过发现未知标记，挖掘出数据中有价值的隐含信息，利用已知标记和未知标记之间的关联性，使已知标记分类和未知标记分类相互指导，共同促进，最终提升已知标记和未知标记的分类性能，更好的进行多标记学习任务。

主权项：1.一种基于深度学习的多标记图片分类中未知标记分类方法，其特征在于，其步骤为：S1、读取图像文件、已知标记矩阵、已知标记关系图，并初始化关系图中未知标记的节点信息；S2、从标记关系图中提取所有标记的语义表示，再从标记的语义表示中聚类得到标记组的语义表示；S3、构建深度卷积神经网络，抽取网络中不同卷积层的特征图；基于注意力机制，将特征图和所有标记及标记组的语义表示相融合，得到图像最终的特征表示，即类属特征表示和标记组特征表示；S4、对特征图进行非负矩阵分解得到完整标记矩阵的近似解，利用完整标记矩阵的近似解构建初始标记关系矩阵，然后利用图神经网络学习标记关系；S5、将类属特征表示及其所属的标记组特征表示相拼接后，输入分类器，得到该图像中每个标记出现的置信度；S6、分类器预测已知标记的部分使用已知标记的真实信息做监督，重复S1、S2、S3、S5，利用已知标记充分学习特征表示；模型收敛后，分类器预测未知标记的部分使用完整标记矩阵近似解中的未知标记部分做一致性约束，重复S1-S5，完善未知标记的特征表示；S7、给定一个测试样本，将测试样本带入S1-S6学习得到的最终分类模型，得到测试样本在已知标记和未知标记上的预测值；S8、根据未知标记的注意力图查看对应物体，获取未知标记的语义名称。

全文数据：

权利要求：

百度查询： 安徽工业大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于深度学习的多标记图片分类中未知标记分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD