[发明专利]一种基于随机梯度下降和多示例多标签学习的图像标引方法

权利要求书

1.一种基于随机梯度下降和多示例多标签学习的图像标引方法，其特征在于，包括以下步骤：

步骤(1)，获取若干图像，已标引的图像作为训练集，未标引的图像作为测试集；

步骤(2)，对所有图像进行分割，提取分割区域的图像特征，将图像转化为多示例包；

步骤(3)，由训练集构建MIMLRBF神经网络，所述神经网络的隐层由多示例包构成，利用误差矩阵E表示所述神经网络中训练集期望的输出矩阵Y^d与预测的输出矩阵Y的差值；

步骤(4)，最小化误差矩阵E，运用加入动量的梯度下降优化算法对参数W进行迭代分析，获取迭代参数W_t；所述参数W是MIMLRBF神经网络中隐层与输出层之间的参数；

步骤(5)，由所述迭代参数W_t、未标引的图像与所述神经网络隐层节点之间的距离矩阵计算预测的输出矩阵Y_t，确定测试集图像的所属类别，实现未标引图像的自动标引。

2.根据权利要求1所述的基于随机梯度下降和多示例多标签学习的图像标引方法，其特征在于，所述对参数W进行迭代分析，具体为：

步骤(4.1)，初始化误差矩阵E

通过奇异值分解法求解获取迭代初始值W₁；

步骤(4.2)，加入动量的梯度下降优化算法对参数W进行迭代

W_t+1＝W_t+ΔW_t

其中，t代表迭代次数，且t≥2，α是learning rate矩阵，p为动量参数；

又则其中tr是误差矩阵的迹；

步骤(4.3)，求解learning rate矩阵

令可得：

利用线性矩阵变换求得α，即learning rate矩阵；

步骤(4.4)，迭代求解参数W_t

通过和W_t+1＝W_t+ΔW_t，求得参数W_t。

3.根据权利要求2所述的基于随机梯度下降和多示例多标签学习的图像标引方法，其特征在于，所述动量参数p设定为0.9。

4.根据权利要求1所述的基于随机梯度下降和多示例多标签学习的图像标引方法，其特征在于，所述图像分割采用期望最大值或K-means或FCM方法。

5.根据权利要求1所述的基于随机梯度下降和多示例多标签学习的图像标引方法，其特征在于，还包括步骤(6)：判断迭代次数是否达到要求，没有达到要求，则返回步骤(4)；否则结束，并输出未标引图像的标签。

6.根据权利要求1-5任一项所述的基于随机梯度下降和多示例多标签学习的图像标引方法，其特征在于，所述图像标引方法能应用于图书馆的信息组织工作。