买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽大学

摘要：本发明公开了一种基于标记预测和标记增强的图像多维分类方法，包括：1构建图像多维分类训练集，2通过一对一编码将图像样本原本的标记转换为三元标记，3通过构建标记增强模型将图像样本原来的逻辑标记恢复成实数型标记分布，4基于实数型标记分布构建多输出回归模型，5将实数型标记转换成三元标记得出未知样本的预测结果。本发明通过转换图像的特征空间和标签空间的流形结构为两个独立的概率分布，促进二者紧密匹配，从而提升区分度，确保特征差异大的图像能获得更为独特的标签分布。

主权项：1.一种基于标记预测和标记增强的图像多维分类方法，其特征在于，包括以下步骤：步骤1：将设为输入空间，将设为输出空间，且表示输出空间为s个类别空间的笛卡尔积组成，表示第j个类别空间，且由Kj个类标签组成，表示Cj中第u个类标签，Kj表示类标签的总数，1≤j≤s；s表示类别空间的总数；表示维度；获取图像多维分类训练集其中，xi,yi表示第i个训练样本，t表示训练样本的个数；xi表示第i个图像特征，且xi∈X，是t个图像特征矩阵，其中，xij表示xi中第j维特征，yi表示xi的标记，且yi∈Y，是标记矩阵；且yij表示xij的标记，yij∈Cj；步骤2：采用一对一标记编码方法将标记矩阵Y编码为三元标记矩阵；步骤2.1：对标记矩阵Y进行一对一的标记编码，生成三元编码标记矩阵L＝[L1,L2,…,Lj,…,Ls]∈{1,0,-1}t×l，其中，是第j个类别空间Cj的编码标记矩阵，lj表示Lj的列维数，l表示L的列维数，lj＝KjKj-12且步骤2.2：根据式1得到Lj中第n列编码标记对应Cj中的一对类标签取值1≤n≤lj； 式1中，表示中前一个类标签的取值，表示中后一个类标签的取值，表示第j个类别空间Cj中第n+u-fju-1个类标签，fju表示第j个类别空间Cj中前u个类标签与剩余类标签两两组合的种类总数，fju-1表示第j个类别空间Cj中前u-1个类标签与剩余标签两两组合的种类总数，当u＝0时，令fju＝0；步骤2.3：根据式2计算Lj中第i行第n列的元素 步骤3：对三元标记矩阵L中的监督信息进行增强，得到实值的标记置信度，从而将其恢复成一个实数标记分布矩阵；步骤3.1：根据式3构建标记增强模型的目标函数 式3中，D是待学习的实数标记分布矩阵，W是待学习的映射矩阵；P为特征相似矩阵，Q为标记分布相似矩阵，α和β是两个平衡参数，T表示转置；CE表示交叉熵损失，并有： 式4中，pij表示第i个图像特征xi和第j个图像特征xj之间的相似性，qij表示xi的标记分布向量di和xj的实数标记分布向量dj之间的相似性，di∈D，dj∈D，并有：pij＝exp--disxi-xj-ρiδi5qij＝1+c||di-dj||2b-16式5和式6中，disxi-xj表示xi与xj之间的距离，ρi是xi的局部连通性参数，δi是xi的局部连通性参数集，c和b是2个超参数；步骤3.2：利用迭代策略对所述目标函数进行求解，得到最优实数标记分布矩阵D*和最优映射矩阵W*；步骤4：基于最优标记分布矩阵D*构建多输出回归模型；步骤4.1：利用式7构建多输出回归模型的目标函数minΠR： 式7中，R＝ΦTΘ是待确定的回归模型参数，是待确定的组合系数； 表示X的非线性映射示例矩阵，φ·表示核函数，且d′表示xi核化后的维度，M是度量矩阵，||·||M表示马氏距离；γ和ξ是2个正则化参数，||·||F表示Frobenius范数；步骤4.2：利用式8构建的度量矩阵M的目标函数minM→0： 式8中，表示di在D中的k近邻，ir表示di的近邻序号，表示di的第r个近邻，DetM,Il＝trM+trM-1-2l为对称LogDet散度，tr表示矩阵的迹，M-1表示M的逆矩阵，μ是正则化参数；步骤4.3：采用交替优化的方式对式7中的Θ和式8中的M进行计算，得到最优回归模型参数矩阵R*和度量矩阵M*；步骤5：对未知类图像样本进行预测：利用多输出回归模型的最优回归模型参数矩阵R*，得到未知类图像样本x*的预测标记分布d*＝R*Tφx*，并利用符号函数sign·生成d*的二进制标记向量，从而根据步骤2.2和步骤2.3对二进制标记向量进行逆操作，以得到未知类图像样本x*在每个类别空间的类别。

全文数据：

权利要求：

百度查询： 安徽大学 基于标记预测和标记增强的图像多维分类方法