申请/专利权人：华东交通大学

申请日：2024-03-15

公开（公告）日：2024-06-07

公开（公告）号：CN117893839B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06V10/762;G06N3/045;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明提供了一种基于图注意力机制的多标记分类方法及系统，该方法通过对多标记分类数据的特征进行归一化处理；将多标记分类数据中的标记进行编码，生成节点特征；利用多层图注意力层来构建标记嵌入模块，并在标记嵌入模块的每一层均聚合节点特征的邻接特征信息；利用一个多层感知机将原始特征空间映射到潜在特征空间；获取邻接特征信息，指导潜在特征空间；将标记特定特征生成对应标记的置信度评分；将多标记分类数据的特征以及图数据作为神经网络模型的输入，标记作为输出，训练神经网络模型；将待分类的数据输入神经网络模型，输出对应的目标标记，并计算置信度评分，以将标记分类，最终解决了语义信息损失导致的网络正确率低的问题。

主权项：1.一种基于图注意力机制的多标记分类方法，其特征在于，应用于图像分类的场景中，所述方法包括：将训练集中归一化处理后的多标记分类数据的特征以及标记图数据作为神经网络模型的输入，多标记分类数据的标记评分作为输出，以训练神经网络模型，得到目标神经网络模型，具体包括：获取多标记分类数据，并按照预设比例，将所述多标记分类数据划分为训练集和测试集，去除训练集和测试集中的异常数据，提取训练集和测试集中剩余的多标记分类数据的特征，并进行归一化处理；提取训练集和测试集中剩余的多标记分类数据的标记，并进行编码，生成每个图数据中的节点特征，并确定两两节点特征的标记相关性，以构建由节点特征和标记相关性组成的标记图数据；利用多层图注意力层及标记图数据来构建标记嵌入模块，并在所述标记嵌入模块的每一层均聚合所述节点特征的邻接特征信息；通过计算每个标记和其它标记之间的平均条件概率，得到每个标记的重要度评分，并根据每个标记的重要度评分，生成每个标记的标记权重，其中，每个标记的重要度评分的计算公式为： ；li和lj表示为两个不同标记的标记向量，表示为出现lj条件下出现li的概率，m表示为标签个数；生成每个标记的标记权重的计算公式为： ；lwi表示为标记权重；提取训练集和测试集中剩余的多标记分类数据的多标记数据对象，并将多标记数据对象转化为多标记图数据对象，其中，利用K-means聚类将多标记数据对象进行划分，使得属于相同类别多标记数据对象之间产生一条边，并根据边将多标记数据对象转化为多标记图数据对象，边采用邻接矩阵表示；利用多层图卷积层，将各多标记数据对象按照边的关系聚合邻接节点特征，得到一原始特征空间；利用一个多层感知机将所述原始特征空间映射到潜在特征空间；获取通过所述标记嵌入模块得来的邻接特征信息，并根据所述邻接特征信息指导所述潜在特征空间，以生成标记特定特征空间；将所述标记特定特征空间内的标记特定特征生成对应标记的置信度评分，以得到各多标记分类数据的各标记的置信度评分；将训练集中归一化处理后的多标记分类数据的特征以及标记图数据作为神经网络模型的输入，各多标记分类数据的各标记的置信度评分作为输出，同时，设置优化器、训练轮数及神经网络模型参数，以训练神经网络模型，得到目标神经网络模型，所述目标神经网络模型的分类损失根据标记权重确定；将待分类的数据输入目标神经网络模型中，根据输出的标记评分来划分相关标记和无关标记。

全文数据：

权利要求：

百度查询： 华东交通大学 一种基于图注意力机制的多标记分类方法及系统

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