[发明专利]一种基于深度标签预测的诱导式图像分类方法及系统

摘要

本发明公开了一种基于深度标签预测的诱导式图像分类方法及系统，首先对有标签的训练样本和无标签的训练样本进行相似性学习，构造加权相似近邻图，再初始化一个类标签矩阵。为了降低“浅”预测标签中的混合信号对系统性能的影响，引入了描述学习的思想，先计算基于原始输入空间的通常含有混合信号的“浅”软标签，进而利用描述学习得到判别性更强的深度软标签，取深度标签中概率的最大值，用于类别鉴定，得到最准确的分类结果。通过深度标签预测，有效降低了浅层软标签中的混合信号对结果的影响，使分类精度大幅提高。此外，本发明方法通过引入描述学习，可快速有效地完成样本外数据的深度归纳分类，无需引入额外的学习过程，方法可拓展性好。

主权项

1.一种基于深度标签预测的诱导式图像分类方法，其特征在于，利用描述学习理论进行半监督标签传播的诱导式分类，该方法包括：将预先获取的人脸数据集中的人脸数据按预设比例分为训练集和测试集，对所述训练集进行训练预处理，包括：根据所述训练集中所有训练样本的K近邻使用LLE‑重构权，构建相似近邻图，根据所述相似近邻图求得对称化、归一化的权重矩阵，初始化类别标签矩阵Y；构建直推式深度标签预测模型，迭代得到所述训练集的“浅”软标签矩阵F、深度嵌入矩阵P和深度投影矩阵A，利用所述“浅”软标签矩阵F和深度嵌入矩阵P得到所述训练集的深度预测标签，利用所述深度投影矩阵A对所述深度预测标签进行描述学习；所述直推式深度标签预测模型具体如下：其中，l+u为所述训练样本的总数量，l为所述训练样本的有标签数据的数量，u为所述训练样本中无标签数据的数量，xi为第i个所述训练样本，Wi,j表示xi的近邻xj对xi的协同重构权重，ψi为第一对角矩阵中的第i个对角元素，μi为第二对角矩阵中的第i个对角元素，Vii为第三对角矩阵中的第i个对角元素，||P||2,1为所述深度嵌入矩阵P的l2,1范数，e是一个元素均为1的列向量，N(xi)为xi的K近邻集；对所述测试集中的测试样本进行诱导式标签预测，包括：利用学习得到的深度投影矩阵A对所述测试集中无标签样本数据进行投影，得到所述测试集的深度标签矩阵，根据所述深度标签矩阵中各行的最大值确定所述测试样本对应的标签类别，得到分类结果。