[发明专利]基于KL散度的多视角距离度量学习方法

说明书

本发明公开了一种基于KL散度的多视角距离度量学习方法。首先，将多个视角下维数不同的特征映射进同一维数的子空间内；其次，在不同视角下，利用KL散度定义各视角下距离度量与统一的距离度量所构造样本间相似性的差异；再次，最大化各个视角下不同类样本间距离的同时，使得各个视角下距离度量与统一的距离度量构造样本间相似性差异尽可能小，通过两个约束条件，使各个视角下同类样本间距离小于一个常数，不同类样本间距离大于一个常数；最后，求得各个视角下最优的距离度量矩阵。本方法充分考虑了多个视角下样本特征信息，将其融入统一的距离度量学习框架下进行学习，获得各个视角下最优的距离度量矩阵，更恰当的衡量了样本间相似性。

技术领域

本发明涉及机器学习领域，尤其涉及基于KL散度的多视角距离度量学习方法。

背景技术

多视角距离度量学习难以充分考虑多个视角下特征信息构造最优的距离度量。当前距离度量学习算法大多仅考虑了各自空间内的样本特征信息，难以将来自其他视角的信息融入距离度量的构建过程中，影响了距离度量学习算法在很多真实场景中性能的进一步提高。例如，在图像处理领域中，一张图像通常可由多个特征算子进行特征提取，不同的特征反映图像的不同属性，但均为同一图像的视觉描述。本发明从距离度量学习的角度出发，充分利用多视角下样本特征信息以构造各个视角下最优的距离度量矩阵。发明利用最大边界准则，提高了距离度量的判别能力。

发明内容

为了使得不同视角下距离度量构建过程互相学习，由于不同视角特征均反映了同一样本的不同属性，其包含内在兼容互补的信息，本发明利用KL散度定义各视角下距离度量与统一的距离度量所构造样本间相似性的差异，使得不视角下距离度量构造的样本间相似性差异尽可能小，以完成多视角距离度量的相互学习。发明增加了两个约束条件，使得发明能获得可行有效的距离度量矩阵。

本发明提供的一种基于KL散度的多视角距离度量学习方法，包括以下步骤：

步骤S101：将多个视角下维数不同的特征通过PCA等维数约简算法映射进同一维数的子空间内，采用了最大边界准则，使得各个视角下来自不同类的样本间距离尽可能的大；

步骤S102：在不同视角下，利用KL散度定义各视角下距离度量与统一的距离度量所构造样本间相似性的差异；

步骤S103：最大化各个视角下不同类样本间距离的同时，使得各个视角下距离度量与统一的距离度量构造样本间相似性差异尽可能小，并增加两个约束条件，使得各个视角下同类样本间距离小于一个常数，不同类样本间距离大于一个常数；

步骤S104：通过迭代优化求得各个视角下最优的距离度量矩阵。

优选的，所述步骤S101，利用最大边界准则，使得各个视角下来自不同类样本间距离尽可能的大，其使得在各个视角所构造的距离度量矩阵下，来自不同类的样本间距离尽可能的大，以获得判别能力较强的距离度量矩阵。

优选的，在不同视角下，利用KL散度定义各视角下距离度量与统一的距离度量所构造样本间相似性的差异，使得差异尽可能小，公式如下：

其中，A^(v)是在第v个视角下所求得的距离度量矩阵，A^*是统一的距离度量矩阵，x^(v)是第v个视角下所有的样本特征，p(x^(v)；A^(v))代表在第v个视角下以A^(v)为距离度量时所有样本的概率分布。4.根据权利要求3所述基于KL散度的多视角距离度量学习方法，其特征在于，最大化各个视角下不同类样本间距离的同时，使得各个视角下距离度量与统一的距离度量构造样本间相似性差异尽可能小，并增加两个约束条件，使得各个视角下同类样本间距离小于一个常数，不同类样本间距离大于一个常数；过程如下：