[发明专利]一种用于图像分类的多任务机器学习方法及其装置

摘要

本发明公开了一种用于图像分类的多任务机器学习方法及其装置，本发明特点在于同时利用残差结构和回归矩阵协方差阵的低秩逼近，并对残差结构、回归矩阵、回归矩阵的低秩分解矩阵及回归矩阵的协方差矩阵进行概率建模，最后通过变分推断或者采样的方法对概率模型的参数进行学习，最后得到准确度较高的回归矩阵并用其进行图像分类。通过利用本发明所述的方案，一方面，残差结构中存在的多任务间相关关系信息得到了利用能提高参数学习准确度以提高分类精度，另一方面通过对回归矩阵协方差矩阵进行低秩逼近能有效的降低算法的计算复杂度。

主权项

一种用于图像分类的多任务机器学习方法，其特征在于包括如下步骤：S10，输入分类任务的图像数据及其对应的标签数据，对图像数据使用图像处理的方法提取特征，得到图像数据的观测矩阵和标签矩阵；S20，通过计算标签矩阵和回归矩阵乘以观测矩阵之间的差得到残差矩阵，对残差矩阵进行概率建模，并设定残差矩阵服从某一概率分布；S30，对回归矩阵进行低秩矩阵二分解，其中每个分解矩阵分别作为回归矩阵的行协方差矩阵和列协方差矩阵的逼近矩阵；对回归矩阵及其两个分解矩阵进行概率建模；S40，通过变分推断或采样的方法对S20及S30中所述的概率模型中的参数进行学习；S50，重复步骤S40，直至诸参数收敛；S60，利用多任务机器学习方法学习得到的回归矩阵W，乘以输入的测试图像的观测矩阵得到测试图像的标签矩阵估计值，以此估计标签矩阵对测试图像数据进行分类。