[发明专利]低秩约束的在线自监督学习的场景分类方法

权利要求书

1.低秩约束的在线自监督学习的场景分类方法，其特征在于包括以下步骤：

对离线图像数据进行训练并进行特征提取；进行小批训练来获得一个最初的度量学习者W⁰；

依次输入在线数据图像q_i并提取图像特征；判断图像特征有无标签；

如果有标签，则更新度量学习者Wⁱ，返回依次输入在线数据图像q_i步骤；

如果无标签，则测量该图像与已测的每个有标签训练样本之间的相似度，利用相似度生成的双向线性图来传播它的标签；然后判断该图像特征向量与样本的特征向量相似度S_w得分；

如果得分在设定值范围内，则将该图像q插入到队列Q中，当队列Q满时更新Q，然后转至更新度量学习者步骤，同时将Q插入到P类中并清零，此时度量学习者为最终的度量学习者，P类为最终的类；

所述更新度量学习者包括以下步骤：

从在线图像数据的指数集合T中均匀采样得到一个随机指数t；

将t代入度量学习者迭代公式

其中其中Wⁱ＝I∈R^d×d，I为单位矩阵，d为特征向量的维数，γ为一预设的值，αⁱ为步长，P(W)＝||W||_*Ω＝{W|W≥0}，表示与p_t相似的样本，表示与p_t不相似的样本，t为随机指数，l(W,t)为铰链损失函数

令i＝i+1，再返回从在线图像数据的指数集合T中均匀采样得到一个随机指数t步骤；

所述利用该双向线性图来传播它的标签包括以下步骤：

6-1.用相似函数生成双线性图表：

Si,j=max(0,Sw(i,j))=max(0,piTWpj)]]>

其中对对于p_i∈P,i∈[1,...，N]获得一个矩阵{S_i,j，i≥1,j≤N}，其中对称形式为S_i,j＝(S_i,j+S_j,i)/2；

6-2.测量属于c类的x的最大损耗其中，能量函数c为图像中的第c类，c∈C，C＝{1,2,...，K}表示图像类的集合，x_i表示查询样本，S_i,j,j＝{1,...,n}为双线性图，并且δ_c(i)是一个表明函数；

6-3.判断是否成立，T_ε值为1.2，c_q为图像的类，为与图像类c_q不同的类；成立则再转至更新度量学习者，不成立则等待下一个在线图像数据q_i。

2.根据权利要求1所述的低秩约束的在线自监督学习的场景分类方法，其特征在于：所述度量学习者为低秩矩阵。

3.根据权利要求1所述的低秩约束的在线自监督学习的场景分类方法，其特征在于：所述最初的度量学习者为单位矩阵W⁰＝I_d×d，d为矩阵的维数，I为单位矩阵。