[发明专利]一种基于低秩表示和流形正则化的零样本图像分类方法

说明书

本发明公开了一种基于低秩表示和流形正则化的零样本分类方法，包括：计算可见类数据集中样本的视觉特征与语义特征之间的映射关系；计算不可见类数据集中样本的语义表示；引入稀疏约束并结合拉普拉斯正则约束，计算不可见类数据集中样本的低秩表示；计算权重矩阵和拉普拉斯矩阵；引入流形正则化，去除不可见类数据集中语义表示的噪声；预测不可见类数据集中样本的标签，实现样本分类。本发明设计的基于低秩表示和流形正则化的零样本分类方法有效克服传统分类方法针对样本数量少、样本标签信息丢失等情况下分类精度低的局限性，获得不可见类数据集上更准确的语义表示，增强对数据特征的描述能力，能够有效地提高零样本分类的精度。

技术领域

本发明涉及图像样本分类技术领域，尤其涉及一种基于低秩表示和流形正则化的零样本图像分类方法。

背景技术

在大规模的分类问题中，缺乏足够的训练样本，或许多样本的标签信息丢失，在一定程度上限制了分类精度的提高。零样本分类是针对这一问题提出的一种有效的解决方法。

现有技术中通常假设样本数据都分布在低维的子空间中且具有低秩的结构。已有方法基于数据分布近似跨越多个低维子空间的假设，专注于寻找数据的低秩表示。它通过l₁/l₂范数处理离群点，并在一定的技术条件下精确的恢复了样本的子空间结构，同时检测出了离群点。然而当数据分布于联合非线性子空间时，这类方法无法精确地恢复数据的几何结构。在实际的应用中，人脸的面部图像就是位于非线性的流形结构中。

在样本去噪方面，现有技术通常假设样本数据严格分布在流形中，然而在实际应用中，样本数据往往都存在噪声。在这种情况下，一些方法通过惩罚流形中局部或全局的结构来处理噪声问题，然而这种过度的惩罚通常会降低分类器的泛化能力，导致了当前在缺乏足够的训练样本或样本的标签信息丢失时，分类精度低的问题。

发明内容

本发明提供了一种基于低秩表示和流形正则化的零样本图像分类方法，解决了当前在缺乏足够的训练样本或样本的标签信息丢失时，分类精度低的技术问题。本发明提供的一种基于低秩表示和流形正则化的零样本图像分类方法，包括：

步骤1：计算可见类数据集中样本的视觉特征X_s和语义表示A_s之间的映射关系f，即f:X_s→A_s，其中可见类数据集为为可见类数据集中样本的视觉特征，p是样本视觉特征的维度，为可见类数据集中样本的语义表示，q是每个样本对应语义表示的维度，c_s为可见类数据集样本的类别总数，m为可见类数据集的样本总数；

步骤2：利用映射关系f计算不可见类数据集中样本的语义表示A_u，其中不可见类数据集为为不可见类数据集中样本的视觉特征且c_u为不可见类数据集样本的类别总数，n为不可见类数据集的样本总数，为计算得到的不可见类数据集X_u的语义表示，

步骤3：计算不可见类数据集中样本的拉普拉斯正则化的非负稀疏低秩表示Z；

步骤4：利用低秩表示Z计算权重矩阵W和拉普拉斯矩阵L；

步骤5：引入流形正则化，去除不可见类数据集中的语义表示的噪声；

步骤6：利用去噪后的不可见类数据集中的语义表示，预测不可见类数据集中样本的标签，实现样本分类。

优选地，步骤3中计算不可见类数据集中样本的拉普拉斯正则化的非负稀疏低秩表示Z的表达式为：

s.t. X_u＝X_uZ+E

Z≥0

||Z||₀≤T