[发明专利]一种图像数据多标签分类方法

说明书

本发明公开了一种图像数据多标签分类方法，该方法首先构建图片的拓扑关系，然后用基于协作的多标签传播算法(CMLP)来解决半监督多标签学习(SSML)问题，从而获得无标记图片的置信矩阵本发明能够充分地利用多标签图像数据的多个标签之间的相关性来提升图片的多标签分类预测性能，提高了准确度和鲁棒性，同时能够挖掘无监督图像数据的分布信息，很好地解决半监督多标签学习问题，其性能优于现有的半监督图像数据多标签分类方法。

技术领域

本发明涉及机器学习领域，尤其涉及一种图像数据多标签分类方法。

背景技术

图像分类是应用最广泛的机器学习问题之一。在真实世界的图像分类应用中，一个图像实例往往与多个标签相关联，并且这些标签之间具有相关性。因此，对具有多个相关标签的图像进行分类是很重要的研究任务。传统的图片标签分类问题中，一个常见假设是训练数据集中的每个图片都被精确标记。不幸的是，在许多真实问题中，虽然海量的图像很容易获取，图像的标签却需要经过昂贵且耗时的人工标记过程才能得到。

为此，人们提出了半监督学习的方法，将大量的无标签图像加入到有限的有标签图像中一起训练，以改进分类器的性能。标签传播方法就是一种基于图的半监督分类学习方法。但是当图像实例具有多个相关的标签时，简单标签传播并不能很好的利用这种相关性，导致了分类性能的下降。

发明内容

为了解决背景技术中存在的问题，本发明提供了一种图像数据多标签分类方法。

本发明的目的是通过以下技术方案来实现的：一种图像数据多标签分类方法，包括如下步骤：

(1)获取有待分类的图片集D＝{pic_i|1≤i≤n}，其中，n是图片集D中图片的总数；图片集D中，每张图片上共有q个有序的待标记的标签，总共有l个图片已经被标记是否具有这q个标签，被标记的图片为pic_i，1≤i≤l；

(2)计算权重矩阵W，构建图片间的图关系，该步骤包括以下子步骤：

(2.1)将图片集中的图片输入已经训练好的卷积神经网络VGG Net，从输出中获取图片的特征向量集V＝{x_i|1≤i≤n}，其中，x_i是图片pic_i输入卷积神经网络得到的输出，是p维列向量；

(2.2)选取超参数k，根据图片特征向量集V计算特征向量x_i的k邻近集合kNN(x_i)，kNN(x_i)是图片特征向量集V中与特征向量x_i欧式距离最小的k个图片特征向量的集合；

对非负权重矩阵W＝[w_ij]_n×n，要求其满足：

w_ii＝0

w_ij≥0，j≠i，x_j∈kNN(x_i)

(2.3)对每个图片特征向量x_i，被其他图片特征向量线性重建为∑_j≠iw_ijx_j，选择权衡参数θ，权重矩阵W的线性重建误差定义如下：

其中||·||₂表示矩阵的二范数；

利用约束最小二乘规划方法来最小化线性重建误差Error(W)，建立以下最小化模型：

s.t.w_ii＝0