[发明专利]图像分类方法及系统

说明书

本发明实施例提供一种图像分类方法及系统，涉及计算机技术领域。其中方法包括：从训练样本提取多视图特征集；基于自适应近邻学习的多视图特征选择学习，从所述多视图特征集中选择多视图特征子集；利用所述多视图特征子集，构建多核学习支持向量机分类器；采用所述多核学习支持向量机分类器对图像进行分类。根据本发明实施例的图像分类方法，基于自适应近邻学习的多视图特征选择学习，从所述多视图特征集中选择多视图特征子集。自适应近邻学习与相应的多视图特征选择学习同时建模，避免在原始高维空间中度量固有的样本相似度，保持了多视图数据之间的互补信息和相关信息，从而提高了选择多视图特征子集的准确性。

技术领域

本发明涉及计算机技术领域，具体涉及一种图像分类方法及系统。

背景技术

随着社会科技的进步和发展，人们越来越容易获得海量的数据，如监控视频数据、商业交易数据以及医学影像数据等。现实生活中往往可以从多种不同角度来对同一事物进行描述。从不同角度描述同一事物得到的数据称之为多视图数据。

使用多视图数据能够充分挖掘不同视图特征中的互补信息和相关信息，从而增强对事物的刻画，进而提高分类、聚类以及分割等算法的性能。然而，由于从原始数据中提取的特征往往具有较高的维数，而现实场景中仅有少量的样本含有完整的多视图数据，这是典型的小样本问题，在应用中往往产生维数灾难。而深度学习等方法需要通过大量样本对目标模型进行训练，样本数据较少将导致严重的过拟合问题。通过特征学习方法，保留少部分具有高判别性的视图特征能够有效的缓解维数灾难给机器学习算法带来的泛化能力差等问题。如何从有限的多视图数据中利用视图之间的互补信息，诱导出更具有判别力的视图特征，也是目前多视图学习所面临的问题。

现有技术中，在基于流形正则化的多视图特征选择方法中，维数灾难问题会使得在原始高维空间中度量样本固有的样本相似度变得更加困难。这使得构建的相似度矩阵不准确，无法保持多视图特征之间的互补信息和相关信息，从而降低了选择高判别性的多视图特征子集的准确性。

发明内容

有鉴于此，本发明实施例提供了一种图像分类方法及系统，基于自适应近邻学习的多视图特征选择学习来选择多视图特征子集，以完成图像分类。

根据本发明的一方面，提供一种图像分类方法，包括：从训练样本提取多视图特征集；基于自适应近邻学习的多视图特征选择学习，从所述多视图特征集中选择多视图特征子集；利用所述多视图特征子集，构建多核学习支持向量机分类器；采用所述多核学习支持向量机分类器对图像进行分类。

优选地，所述基于自适应近邻学习的多视图特征选择学习，从所述多视图特征集中选择多视图特征子集的步骤包括：对所述多视图特征集进行自适应近邻学习的多视图特征选择学习；以及根据自适应近邻学习的多视图特征选择学习获得的解析解，得到所述多视图特征子集。

优选地，所述对所述多视图特征集进行自适应近邻学习的多视图特征选择学习的步骤包括：构建自适应近邻学习的多视图特征选择学习目标模型，所述目标模型包括所述多视图特征集的回归系数和近邻概率；优化所述回归系数并且更新所述近邻概率；以及基于回归系数矩阵的l_2,1范数对回归系数矩阵产生的行稀疏作用，得到所述自适应近邻学习的多视图特征选择学习的目标模型的解析解。

优选地，仅在相同类别标号的样本间计算样本近邻概率，不同类别标号的样本近邻概率固定设置为0。

优选地，一个样本的所有视图特征间共享所述样本的样本近邻概率。

优选地，所述对所述多视图特征集进行自适应近邻学习的多视图特征选择学习之前还包括：对所述训练样本进行自适应近邻学习；以及将自适应近邻学习嵌入到多视图特征选择学习中。