[发明专利]一种基于可伸缩表示学习的图像分类方法

权利要求书

1.一种基于可伸缩表示学习的图像分类方法，其特征在于，包括以下步骤：

步骤1，将图像表示为具有固定分辨率的矢量，获取图像集的特征矩阵M；

步骤2，将所述的特征矩阵输入到可伸缩表示学习过程中，获得低维目标矩阵；

步骤3，采用所述低维目标矩阵表示的训练集对KNN分类器进行训练；

步骤4，利用训练好的KNN分类器用于对待分类图像进行分类；

所述的步骤2中所述的可伸缩表示学习过程包括以下步骤：

步骤201，根据所述的特征矩阵M中的向量成对相似性，构建邻接图G，特征矩阵中的向量构成邻接图的节点；

步骤202，在邻接图G中利用加权随机游走模型生成邻接图中节点的上下文；

步骤203，通过扩展skip-gram模型来学习嵌入表示，获得嵌入式表示的低维目标矩阵。

2.根据权利要求1所述的图像分类方法，其特征在于，在步骤201中，邻接图G中每一个节点代表特征矩阵中的一个向量，计算节点之间的相似性，若两节点中一个节点是另一个节点的前k个相似性节点，则该两节点直接通过边连接；

在步骤202中，所述的加权随机游走模型是一种在邻接图上生成随机序列的方法，假如(x_w1,x_w2,…,x_wl)是一个长度为l的随机序列，采用一个大小为c的滑动窗口来表示一个节点的上下文，随机序列中节点x_wj的上下文NC(x_wj)可以表示为NC(x_wj)＝{x_wm|-c≤m-j≤c,m∈(1,2,…,l)}，在邻接图中，给定前一个节点x_w(t-1)＝v_b，采用下面公式计算当前节点是v_a的概率：

其中，E是邻接图的边集，P表示条件概率，sim()表示两个节点之间的相似度，是一个归一化常数；

在步骤203中，所述的扩展skip-gram模型中用于学习嵌入表示的目标函数为：

其中，f表示所要计算得到的目标函数，其实现将当前的高维数据表示为低维数据，但是仍然保持降维表示后数据之间的相似度信息，NC(x_i)表示为x_i的上下文，exp()表示以e为底的指数函数。

3.根据权利要求2所述的图像分类方法，其特征在于，在步骤203中使用负采样方法对进行近似快速计算，利用gensim工具包实施负采样，并将采样阈值设置为0.001，使用随机梯度下降优化所述的目标函数，并以此学习获得函数f。

4.根据权利要求1所述的图像分类方法，其特征在于，在步骤201中采用余弦相似性度量节点之间的相似性。