[发明专利]基于多任务多示例支持向量机的图像分类方法

摘要

本发明公开了一种基于多任务多示例支持向量机的图像分类方法。该方法包括：为T组图像建立T个学习任务；对T个学习任务的图像进行多示例化；为T个任务中的每个类别的图像构建一个类包；建立类包中的示例到多示例包的欧式距离公式；构建类包到多示例包的示例距离向量；建立类包到多示例包的加权欧式距离公式；约束多示例包到所属类别的距离小于到其他类别的距离；建立多任务多示例支持向量机的优化问题；转换优化问题为传统单任务单示例支持向量机问题；求解支持向量机优化问题。本发明涉及了一种最优化加权欧式距离公式的方法，通过把图像示例化，建立多任务多示例支持向量机学习问题，从而最优化出理想权值，从而提高图像分类器的性能。

主权项

1.一种基于多任务多示例支持向量机的图像分类方法，其特征在于，包括如下步骤：第一步、获取若干组的图像，以组为单位，建立若干个学习任务，并且以人工标记的形式，进行图像的人工分类；第二步、把所有学习任务的所有图像，转换为多示例数据；第三步、在每个多示例学习任务中，为每个图像类别构建一个相关联的多示例包集合，该多示例包集合称为类包，并且建立类包中的示例到多示例包的欧式距离公式；第四步、构建类包到多示例包的示例距离向量，从而建立类包到多示例包的加权欧式距离公式；第五步、建立约束，保证多示例包到所属类别的距离要小于到其他类别的距离；第六步、建立多任务多示例支持向量机的优化问题；第七步、转换第六步的多任务多示例支持向量机优化问题为一个单任务单示例支持向量机的优化问题；第八步、求解第七步的支持向量机优化问题，可以获得最优化的权值，从而训练出一个基于多任务多示例支持向量机的图像分类器，进行图像的分类；所述第六步中，建立多任务多示例支持向量机的优化问题；在第t个任务中，把所有类别的权值向量组成一个向量w_t，如下：相应的，构建一个等长的向量向量由和组成，该向量的其他位置填充0，所以可以把第五步中所建立的约束转换为如下的形式：基于该约束，把w_t转换为多任务学习的形式，即w_t＝w₀+v_t，w₀被认为是所有任务共享的公共权值系数，而v_t是每个任务所独享的权值系数，为此建立一个多任务多示例支持向量机的优化问题，如下：上式中，T为任务个数，C_w用来控制误差项的大小，正则化参数γ₀和γ₁用来控制多示例学习任务间的相似性，如果γ₀趋向于无穷大，则每个多示例学习任务所训练出来的分类器是不相关的；相反的，如果γ₁趋向于无穷大，则所有多示例学习任务训练出来的分类器是相同或者类似的；所述第七步中，转第六步的多任务多示例支持向量机优化问题为一个单任务单示例支持向量机的优化问题，为了使用二次规划等数值求解技术来解决该多任务多示例支持向量机问题，需要把该问题转换为一个类似传统支持向量机优化问题的形式，因此建立两个向量如下：上式中，根据以上两个向量，可以把第六步的多任务多示例支持向量机转换为标准的支持向量机优化问题形式，如下：