[发明专利]基于图协同训练的半监督小样本图像分类方法

权利要求书

1.一种基于图协同训练的半监督小样本图像分类方法，其特征在于，所述方法包括：

采用卷积神经网络提取图像特征；

采用邻接矩阵对图学习中的边与点之间的关系进行编码，其中，所述邻接矩阵中的元素为：

其中，表示一个图学习，和ε分别表示点集合和边集合，点集合由图像样本组成；表示邻接矩阵；x_i是v_i嵌入特征，i＝1，2，…，N，v_i是的第i个顶点；e表示图网络的一个边；dis(x_i，x_j)表示计算v_i和v_j之间嵌入特征距离的算子；

采用目标函数进行孤立图学习，将特征空间中的样本转化为图空间的样本，通过学习正则化的投影来对不同的测试样本进行分类，其中，所述目标函数为：

其中，表示正则化的投影，表示对P进行l_2，1正则化，λ和μ表示平衡函数的参数，C表示类别总数；X表示样本的嵌入特征；表示归一化图拉普拉斯算子；表示点矩阵，是一个对角矩阵，其第(i，i)个元素等于A的第i行元素之和；表示初始标签嵌入矩阵；

将所述孤立图学习扩展到具有旋转模态和镜像模态两种模态特征的图协同训练框架，通过使用无标签数据进行图协同训练得到最优基础学习器，并采用最优基础学习器预测查询标签的类别，所述查询标签的类别为：

其中，表示查询集数据在旋转模态上的嵌入特征；表示查询集数据在镜像模态上的嵌入特征；和表示两个最优基础学习器。

2.根据权利要求1所述的图像分类方法，其特征在于，所述采用目标函数进行孤立图学习，将特征空间中的样本转化为图空间的样本，通过学习正则化的投影来对不同的测试样本进行分类，具体为：

通过松弛所述目标函数得到松弛后的函数交替更新P和B直至松弛后的函数收敛，得到

其中，表示正则化的投影，C表示类别总数；X表示样本的嵌入特征；表示归一化图拉普拉斯算子；表示点矩阵，是一个对角矩阵，其第(i，i)个个元素等于A的第i行元素之和；B表示一个对角矩阵，B_(ii)表示B的第i行、第j列的元素，P_(i·)表示P的第i行元素；表示初始标签嵌入矩阵；

预测测试样本的类别的的方法如下所示：

其中，表示测试样本；max表示最大值在向量中的索引的操作符。

3.根据权利要求1或2所述的图像分类方法，其特征在于，将所述孤立图学习扩展到具有旋转模态和镜像模态两种模态特征的图协同训练框架，通过使用无标签数据进行图协同训练得到最优基础学习器，具体为：

第一步：利用两个模态支持集特征分别构造两个不同的基础学习器；

第二步：从两个模态特征预测无标签数据的软伪标签；

第三步：对软伪标签矩阵中的值进行排序，然后在每个模态的嵌入特征上选择置信度最高的未标记样本，交叉地将伪标记实例和相应的标签扩展到不同模式上的支持集；

第四步：重复上述三步直到待学习基础学习器的性能不上升，得到两个最优基础学习器。