[发明专利]基于正向-多反向协作稀疏表示分类器的图像标注方法

说明书

本发明公开了一种基于正向‑多反向协作稀疏表示分类器的图像标注方法，该方法包括四个步骤：（1）将无标签图像集分解为多个较小无标签图像集子集，然后在有标签图像集和各个无标签图像子集之间分别执行反向稀疏表示；（2）构建基于无标签图像集多样化分解的正向‑多反向协作稀疏表示分类器模型；（3）基于置信度最小均方误差准则集成优化正向‑多反向协作稀疏表示分类器模型；（4）利用优化后的正向‑多反向协作稀疏表示分类器模型来对检索图像库中图片进行相关性和多样性的标注。本发明对图像或人工类别标签噪声都具有较好鲁棒性，优于其它半监督学习方法。

技术领域

本发明涉及协作稀疏表示的图像自动标注方法，特别涉及一种基于正向-多反向协作稀疏表示分类器的图像标注方法。

背景技术

随着多媒体和互联网技术的高速发展，网络与计算机用户的图像数据呈海量爆炸式增长，同时，图片共享网站也空前繁荣，如何对图像数据进行有效的组织、管理、检索，就成为信息检索领域目前亟需解决的问题，而图像标注则是其中的关键性问题。图像标注是根据图像内容，给图像精确标注语义或概念“标签”，实现从图像的底层特征到高层语义的映射，缩小语义“鸿沟”。然而，人工标注具有工作量大、成本高、主观性强等缺点，因而，需要利用计算机及相关算法和技术，在对图像内容准确分析的基础上，实现图像自动语义标注。

稀疏表示分类器依据在一定稀疏约束下，各类别训练图像对测试图像的重构误差差异进行分类判决，在求得稀疏表示系数基础上，将测试图像判决属于重构误差最小的类别。稀疏表示分类器已被成功应用于图像分类、识别和标注领域。已有的基于稀疏表示分类器的图像分类和标注研究和应用，都以训练(有类别标签)图像为“基”来线性表示测试(无类别标签)图像，构建它们之间语义关联，达到标注测试图像目的。在给定有标签图像集和无标签图像集的情况下，相反方向的稀疏表示，即以无标签图像集来线性表示有标签图像，也能构建它们之间语义关联，达到标注图像目的；以有标签图像来线性表示无标签图像，我们称之为正向稀疏表示，反之，我们称为反向稀疏表示。稀疏性使正反两个方向稀疏表示构建的语义关联具有差异性和互补性，引入协作训练(co-training)，并对正反向稀疏表示进行融合，可构造协作稀疏表示分类器；协作稀疏表示分类方法是一种半监督学习方法，半监督学习在图像标注中仅需要少部分的有标签图像，对降低人工标注工作量尤为重要。但是协作稀疏表示分类方法存在以下问题：

(1)针对人工标注代价高，大样本图像集中有标签图像较少的情况，由于稀疏表示的本质特性即稀疏性，反向稀疏表示只能将少部分无标签图像与有标签图像或其对应“概念”标签进行关联，导致其独立分类和标注能力差，进而降低其与正向稀疏表示的协作训练效果，最终影响协作稀疏表示分类器模型在大样本图像标注中应用。

(2)通过调节相关参数提高稀疏率(稀疏表示系数中非零元素个数占比)可以提高关联密度，但高稀疏率必然导致求解复杂度大幅增加，特别是对于大样本集。

(3)从稀疏表示分类器基本原理来考虑，对不属于任何已知类别(图像集中已有类别)的图像进行稀疏表示时，稀疏系数过于分散，从而造成对该图像的拒识；无标签图像集分解后，如某图像子集中单个“概念”图像过于集中，缺乏多样性，会导致反向稀疏表示对“外来”“概念”图像的“拒识”，不能准确建立无标签图像的“概念”关联。

本发明将针对上述问题提出解决方案，突破已有分类器模型的局限性，依据协作训练的必要条件，提出无标签图像集多样化分解方法，并设计“正向-多方向”协作稀疏表示分类器。

发明内容

本发明目的在于针对大样本图像标注实际应用中存在的有标签图像样本较少的问题，提出一种基于正向-多反向协作稀疏表示分类器的图像标注方法，先设计一种基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型，在此过程中，依据协作训练的充分条件和必要条件，提出无标签图像集多样化分解方法；分析图像集分解粒度和稀疏率对协作训练的协同作用关系，并制定“正向-多方向”协作稀疏表示分类器模型优化策略。

本发明采用的技术方案是：