[发明专利]低秩约束的在线自监督学习的场景分类方法

摘要

本发明涉及低秩约束的在线自监督学习的场景分类方法，包括以下步骤对离线的图像数据进行训练并进行特征提取；进行小批训练来获得一个最初的度量学习者；依次输入在线数据图像并提取图像特征；判断图像特征有无标签；如果有标签，则更新度量学习者；如果无标签，则测量图像特征与每个训练样本之间的相似度，利用生成的双向线性图来传播它的标签；判断样本的特征向量相似度得分；如果得分高则更新度量学习者；否则输入在线数据图像。本发明能够逐渐地实现自我更新并且合并从标记样本和未标记样本获得的有用信息；用统一的在线自我更新模型的框架用来处理在线场景分类，能够实现场景的在线自动分类，保证了分类的准确性，提高了工作效率。

主权项

低秩约束的在线自监督学习的场景分类方法，其特征在于包括以下步骤：对离线图像数据进行训练并进行特征提取；进行小批训练来获得一个最初的度量学习者W0；依次输入在线数据图像qi并提取图像特征；判断图像特征有无标签；如果有标签，则更新度量学习者Wi，返回依次输入在线数据图像qi步骤；如果无标签，则测量该图像与已测的每个有标签训练样本之间的相似度，利用相似度生成的双向线性图来传播它的标签；然后判断该图像特征向量与样本的特征向量相似度Sw得分；如果得分在设定值范围内，则将该图像q插入到队列Q中，当队列Q满时更新Q，然后转至更新度量学习者步骤，同时将Q插入到P类中并清零，此时度量学习者为最终的度量学习者，P类为最终的类；所述更新度量学习者包括以下步骤：从在线图像数据的指数集合T中均匀采样得到一个随机指数t；将t代入度量学习者迭代公式其中其中Wi＝I∈Rd×d，I为单位矩阵，d为特征向量的维数，γ为一预设的值，αi为步长，P(W)＝||W||*Ω＝{W|W≥0}，表示与pt相似的样本，表示与pt不相似的样本，t为随机指数，l(W,t)为铰链损失函数令i＝i+1，再返回从在线图像数据的指数集合T中均匀采样得到一个随机指数t步骤；所述利用该双向线性图来传播它的标签包括以下步骤：6‑1.用相似函数生成双线性图表：Si,j=max(0,Sw(i,j))=max(0,piTWpj)]]>其中对对于pi∈P,i∈[1,...，N]获得一个矩阵{Si,j，i≥1,j≤N}，其中对称形式为Si,j＝(Si,j+Sj,i)/2；6‑2.测量属于c类的x的最大损耗其中，能量函数c为图像中的第c类，c∈C，C＝{1,2,...，K}表示图像类的集合，xi表示查询样本，Si,j,j＝{1,...,n}为双线性图，并且δc(i)是一个表明函数；6‑3.判断是否成立，Tε值为1.2，cq为图像的类，为与图像类cq不同的类；成立则再转至更新度量学习者，不成立则等待下一个在线图像数据qi。