[发明专利]一种基于无监督特征学习的图像分类方法

说明书

本发明提供了一种基于无监督特征学习的图像分类方法。首先，构建图块矩阵，并利用PCA算法学习滤波器组、进行特征图降维，再将输出作为输入，重复此过程以构建深层网络，得到两层降维后的特征图集合；然后，将降维后的特征图进行二值化，计算哈希值并分块统计直方图，得到原始图像的特征嵌入；接着，利用原始图像标签和特征嵌入对分类器进行训练；最后，对未标识的待分类图像计算特征嵌入并利用训练好的分类器进行处理，得到最终分类结果。

技术领域

本发明属机器学习和计算机视觉技术领域，具体涉及一种基于无监督特征学习的图像分类方法。

背景技术

随着计算能力的飞速提升和数据的爆炸式增长，以卷积神经网络(ConvNet或CNN)为代表的深度学习方法在多种计算机视觉任务中取得了巨大的成功。众所周知，数据的特征提取对于机器学习的性能有着重要影响。CNN取得成功的主要原因之一，就是它通过级联的卷积滤波器提取图像多层次的语义信息，优于传统的手工设计的特征。CNN通常是有监督的，而网络上公开的免费数据集不一定适用于当前的任务，因此使用者通常需要付出高额的成本收集适用于欲完成任务的数据，并聘请人工对数据进行标记以便用于网络的训练。为了克服对数据标签的依赖，降低获取数据的成本，人们提出了许多无监督学习方法，即从大量未标记的图片和视频等样本中自动学习特征。使用无监督方法取代当前大规模应用的有监督方法，具有极高的经济价值与社会价值，是当前机器学习研究中的一个热点领域。

图像分类问题是计算机视觉中最基础、最重要也最具有挑战性的任务之一，是其他“高级”任务，如目标检测、语义分割、行人识别等的基础，提高图像分类的性能将间接提高其他数十项计算机视觉任务的性能。图像分类任务十分具有挑战性，主要原因是同一类图像中可能存在巨大的类内差异。

由于低级特征对类内差异的敏感性较低，人们曾花费了众多精力手工设计各种低级特征来克服类内差异。如文献“Jain A K,Farrokhnia F.Unsupervised texturesegmentation using Gabor filters[J].Pattern recognition,1991,24(12):1167-1186.”设计了用于纹理分类的特征，文献“Ahonen T,Hadid A,Pietikainen M.Facedescription with local binary patterns:Application to face recognition[J].IEEE Transactions on Pattern AnalysisMachine Intelligence,2006(12):2037-2041.”设计了用于面部分类的特征，文献“Lowe D G.Distinctive image features fromscale-invariant keypoints[J].International journal of computer vision,2004,60(2):91-110.设计特征用于物体分类，文献Dalal N,Triggs B.Histograms of orientedgradients for human detection[C].2005.”设计了用于行人检测的特征等等。尽管这些手工设计的特征在特定领域的任务中取得了巨大的成功，但绝大多数手工设计的特征无法简单适应新条件，为新任务设计有效的特征通常需要设计者拥有特定领域的知识。