[发明专利]基于稀疏子空间多任务学习的图像分类预测方法有效
申请号: | 201611030667.1 | 申请日: | 2016-11-16 |
公开(公告)号: | CN106529601B | 公开(公告)日: | 2019-10-11 |
发明(设计)人: | 曹鹏;刘筱力;单宣峰;刘爽;栗伟;覃文军;冯朝路;杨金柱 | 申请(专利权)人: | 东北大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62 |
代理公司: | 北京远大卓悦知识产权代理事务所(普通合伙) 11369 | 代理人: | 李强 |
地址: | 110819 辽宁*** | 国省代码: | 辽宁;21 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明涉及数据挖掘技术领域,提出一种基于稀疏子空间多任务学习的图像分类预测方法,包括:步骤一:根据对训练图像集提取的异构视觉特征构建特征数据;步骤二:基于任务的相关性和异构视觉特征的结构性,根据特征数据的训练数据集建立稀疏子空间的多任务分类算法的目标函数;步骤三:基于稀疏子空间的多任务分类算法的目标函数,采用迭代优化算法进行求解,生成稀疏子空间多任务分类模型;步骤四:采用稀疏子空间多任务分类模型对图像测试图像集进行分类预测。本发明结合子空间相关性和稀疏机制建立多任务学习机制,改善分类器的泛化性能,提高了图像分类的泛化性能。 | ||
搜索关键词: | 基于 稀疏 空间 任务 学习 图像 分类 预测 方法 | ||
【主权项】:
1.基于稀疏子空间多任务学习的图像分类预测方法,其特征在于,包括:步骤一:根据对训练图像集提取的异构视觉特征构建特征数据;步骤二:基于任务的相关性和异构视觉特征的结构性,根据特征数据的训练数据集建立稀疏子空间的多任务分类算法的目标函数;步骤三:基于稀疏子空间的多任务分类算法的目标函数,采用迭代优化算法进行求解,生成稀疏子空间多任务分类模型;步骤四:采用稀疏子空间多任务分类模型对图像测试集进行分类预测;所述步骤二中包括:对异构特征的融合引入组稀疏正则化其中G是异构特征子集的个数,u是分类模型的权重向量;结合子空间相关性和稀疏机制建立多任务学习模型,构成最终的目标函数:其中U和V为权重向量,Q是共享子空间,X为训练特征数据,Y为训练数据标注信息。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北大学,未经东北大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201611030667.1/,转载请声明来源钻瓜专利网。