申请/专利权人：仲恺农业工程学院

申请日：2021-10-19

公开（公告）日：2024-06-21

公开（公告）号：CN114037931B

主分类号：G06V20/40

分类号：G06V20/40;G06V10/764;G06V10/774;G06V10/77

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.03.01#实质审查的生效;2022.02.11#公开

摘要：本发明公开了一种自适应权重的多视图判别方法，包括以下步骤：构建数据集不同视图的无向权重图，并计算出拉普拉斯矩阵Ls；基于希尔伯特‑施密特独立性准则Hilbert‑SchmidtIndependenceCriteria，HSIC对不同视图数据进行一致性约束，并计算出约束矩阵T；结合共识的低秩稀疏表征学习方法对投影矩阵P进行优化；引入权重参数并根据每个视图数据包含的信息量自适应地赋予相应的权重；构造最终的自适应权重的多视图判别模型；通过求解目标模型，求得模型最优的多视图投影矩阵；对测试集样本进行判别分析，运用KNN算法获取图像识别的准确率。本发明针对于在噪声污染的图像数据能够保持不同视图的一致性结构，具有很强的准确性以及鲁棒性。

主权项：1.一种自适应权重的多视图判别方法，其特征在于，包括以下步骤：S1：将多个视图数据X＝{X1,X2,…,XV}分成训练集Tr＝{Xtr,Ltr}和测试集Te＝{Xte,Lte}，其中Xtr是训练集，Ltr表示训练集的标签，Xte表示测试集，Lte表示测试集的标签；S2：构造训练集Ltr的无向权重图G，并计算得到G的邻接矩阵S以及相应的拉普拉斯矩阵LS；S3：基于希尔伯特-施密特独立性准则对多个视图数据进行一致性约束，并计算出约束矩阵T，构建结构一致性保留正则项；S4：采用主成分分析方法初始化多个视图数据中的每个视图数据的投影矩阵P＝[P1,P2,…,Pv]，并结合共识的低秩稀疏表征学习方法对P进行优化；S5：引入权重参数并根据多个视图数据中的每个视图数据XV包含的信息量赋予相应的权重；S6：基于S2-S5，构建基于一致性约束的自适应权重的多视图判别分析学习模型；S7：通过引入辅助变量J以及松弛低秩表示为核范数来对多视图判别分析学习模型进行学习，得到最优的多视图特征投影矩阵P*；S8：利用最优的多视图特征投影矩阵P*计算测试集Xte的特征投影P*Xte，以及训练集的特征投影P*Xtr，将特征投影P*Xte和P*Xtr输入到knn分类器f中进行分类，得出分类准确率；Ct＝fP*Xtr,P*Xte式中：Ct表示分类标签；所述步骤S6，所述基于一致性约束的自适应权重的多视图判别分析学习模型，具体表达式如下： 其中Ev与Iv分别表示第v个视图的噪音矩阵与单位矩阵，λ1与λ2分别表示超参数，||·||*表示为核范数，||·||1表示l1范数；所述步骤S7，通过引入辅助变量J以及松弛低秩表示核范数对学习模型进行优化，得到优化后的学习模型如下所示： 将多视图判别分析学习模型转化为增广拉格朗日函数得到公式： 则初始化矩阵Z＝J＝Y2＝0，Ev＝Yv,1＝0，然后对目标模型进行迭代求解，具体步骤如下：固定投影矩阵变量P，使用公式 更新低秩矩阵Z；通过公式 更新辅助变量J；根据公式 更新辅助变量Ev；通过对上述变量不断优化得到最优的固定系数矩阵Z和误差矩阵Ev，对投影矩阵P进行更新，则目标模型可表示为公式： 其中在这里H定义为H＝I-1meeT，e∈Rn×1表示全为1的列向量，则Pv的最优解可以通过求解以下标准的特征函数来获取： 其中η表示特征值，变量T定义为变量B的定义为B＝Xv-XvZk+1Xv-XvZk+1T，pv表示特征值η相对应的特征向量，最终获得的最优投影矩阵由非零特征值对应的特征向量pv组成。

全文数据：

权利要求：

百度查询： 仲恺农业工程学院 一种自适应权重的多视图判别方法

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