[发明专利]一种自适应的图像标签鲁棒预测方法及系统

摘要

本发明公开了一种自适应的图像标签鲁棒预测方法及系统，为了提高对未知类别标签的待测样本标签的预测，提出将稀疏编码和标签传播集成到一个统一的框架中，实现稀疏重构误差和分类误差联合执行同时达到最小化，这完全区别于传统的标签传播方法将图构造与标签传播分为相互独立的两个步骤；因采用迭代的优化方案计算稀疏编码和软标签矩阵，在每一次迭代中，稀疏编码被作为预测模块的自适应权重用于标签传播，因此避免了在传统图构建的复杂过程中最优近邻及其最优近邻数量的选择难问题；此外，为了增强稀疏性，提出将稀疏编码稀疏和重构误差同时施加L2,1范数正则化约束，通过引入L2,1范数正则化技术，有效提升了系统的预测准确度和鲁棒性。

主权项

1.一种自适应的图像标签鲁棒预测方法，其特征在于，包括：获取有标签训练集及无标签训练集，并对所述有标签训练集及所述无标签训练集初始化得到初始标签矩阵，所述有标签训练集包括的为已知类别标签的训练样本，所述无标签训练集包括的为未知类别标签的待测样本；基于所述初始标签矩阵，将稀疏编码与标签传播集成到一个统一的框架中，实现稀疏重构误差与分类误差同时最小化，降低整体误差，同时在稀疏编码系数和重构误差施加L2,1范数正则化，提升预测准确度及鲁棒性；利用迭代的优化方案对所述框架求解最小化问题，得到预测标签矩阵，基于所述预测标签矩阵确定所述待测样本对应的类别标签；基于所述初始标签矩阵，将稀疏编码与标签传播集成到一个统一的框架中，实现稀疏重构误差与分类误差同时最小化，降低整体误差，同时在稀疏编码系数和重构误差施加L2,1范数正则化，提升预测准确度及鲁棒性，包括：将预测标签矩阵表示为F＝[f₁,f₂,…f_l+u]，l为所述有标签训练集中训练样本的数量，u为所述无标签训练集中待测样本的数量，其中样本x_i的类别标签与每一列f_i中最大项f_i,j的位置相关联，得到如下向量形式的框架：其中，N为样本的总数量，l+u＝N，X为初始标签矩阵，S为稀疏编码，每一项中的s_i为稀疏重构系数，u_i表示x_i的调整参数，当样本x_i的类别标签已知时，对应的u_i＝+∞，当样本x_i的类别标签未知时，对应的u_i＝0，α和β是对应稀疏编码项的权衡参数，y_i表示x_i的类别标签；对上述向量形式的框架进行转换，得到如下矩阵形式的框架：其中，tr(·)表示其包含的括号内矩阵的迹，||·||_F表示其包含的|| ||内矩阵的弗罗贝尼乌斯范数，F‑FS为流形平滑项，||X‑XS||_2,1+β||S||_2,1为稀疏编码项，(F‑Y)UV(F‑Y)^Τ为标签拟合项，用于衡量初始标签矩阵与预测标签矩阵的差异程度。