The embodiment of the invention discloses a robust adaptive semi supervised image classification method, device, device and computer storage medium. The method includes the robust adaptive embedding label propagation and the adaptive weight construction set as a unified semi supervised learning framework, and minimizes the reconstruction error based on the embedded feature and embedded label, and changes the original prediction tag set to the pre set tag space by robust projection to the original predictor. The labels of the signed centralization are classified, and the original data sets are decomposed into denoising results and noise fitting errors, and the adaptive weight construction and adaptive label propagation are carried out for denoising results. The approximate error items of the regression label are integrated in the semi supervised learning framework for joint optimization learning. Projection classifier matrix. The technical scheme provided by this application effectively improves the ability of image classification and graphic classification and prediction, and is conducive to improving the accuracy of image classification. One
【技术实现步骤摘要】
鲁棒的自适应半监督图像分类方法、装置、设备及介质
本专利技术实施例涉及数据挖掘和图像识别
,特别是涉及一种鲁棒的自适应半监督图像分类方法、装置、设备及计算机存储介质。
技术介绍
在数据挖掘和图像识别领域,基于图像的半监督学习由于可利用少量的有标记数据和大量的未标记数据进行数据表示和分类,受到了极大的关注。近年来,用于标签估计的图像半监督学习模型,即基于标签传播模型的半监督分类方法,因其高效性得到许多研究者们的关注和研究。现有的标签传播方法包括GFHF(GaussianFieldsandHarmonicFunction,高斯域与调和函数)、LNP(LinearNeighborhoodPropagation,线性领域传播)、LLGC(LearningwithLocalandGlobalConsistency,局部全局一致性学习)、SLP(SpecialLabelPropagation,特殊标签传播算法)、FME(FlexibleManifoldEmbedding,灵活流形嵌入)、ELP(EmbeddedLabelPropagation,嵌入式标签传播)等,被广泛应用于数据分类和图像识别。但是,上述标签传播模型都有一些共同的缺点,可能会降低其学习性能。标签传播模型的一个核心步骤为通过聚类或流形假设来构建加权近邻图,用于测量样本间的几何结构。目前的大部分方法将权重构造过程和标签传播过程分为两个独立的步骤,但是该操作不能确保预先获得的权重系数对于后续的标签估计是最佳的,可能会降低其学习性能;每个点的邻域通常使用K-邻域或ε-邻域确定,但是,由于真实数据的复杂分 ...
【技术保护点】
1.一种鲁棒的自适应半监督图像分类方法,其特征在于,包括:
【技术特征摘要】
1.一种鲁棒的自适应半监督图像分类方法,其特征在于,包括:将鲁棒自适应嵌入标签传播和自适应权重构造集成为统一的半监督学习框架,并同时对基于嵌入特征和嵌入标签的重构误差进行最小化;利用鲁棒投影将原始预测标签集变化到预设标签空间中,以对所述原始预测标签集中的各标签进行分类;将原始数据集分解为去噪结果表示项和噪声拟合错误项,并对所述去噪结果表示项进行自适应权重构造和自适应标签传播;将回归的标签近似误差项集成在所述半监督学习框架中,进行联合最优化学习,得到投影分类器矩阵。2.根据权利要求1所述的鲁棒的自适应半监督图像分类方法,其特征在于,所述将鲁棒自适应嵌入标签传播和自适应权重构造集成为统一的半监督学习框架包括:将鲁棒自适应嵌入标签传播和自适应权重构造集成为统一的半监督学习框架,所述半监督学习框架为:w.r.t.X=QTX+E,Wii=0,W≥0;式中,X为所述原始数据集,为嵌入式软标签矩阵,||ET||2,1为所述嵌入式软标签矩阵的特征重构误差项,W为自适应权重,P为所述投影分类器矩阵,Q为稀疏投影矩阵,U为对角矩阵,其对角元素ui用于度量有标签样本数据和无标签样本数据的预测标签信息与初始标签信息之间的差异,Y为初始标签矩阵,α、γ为权衡参数,e为各参数的列向量;为特征重构错误,为标签重构错误,为标签近似误差,为标签适合度误差。3.根据权利要求1所述的鲁棒的自适应半监督图像分类方法,其特征在于,所述利用鲁棒投影将原始预测标签集变化到预设标签空间中,以对所述原始预测标签集中的各标签进行分类包括:将所述原始数据集分解为编码嵌入特征和稀疏分量拟合噪声的稀疏分量的约束,得到稀疏重构矩阵,以实现将所述原始数据集嵌入到稀疏投影矩阵,其中,l2,1范数对稀疏投影矩阵进行强化。4.根据权利要求1至3任意一项所述的鲁棒的自适应半监督图像分类方法,其特征在于,所述将回归的标签近似误差项集成在所述半监督学习框架中,进行联合最优化学习,得到投影分类器矩阵包括:标签近似误差为||P||2,1=tr(2PTD-P),D+、D-为对角矩阵,当Λi≠0,Pj≠0,i=1,2,…,N,j=1,2,…,n时,联合最优化学习为:将派生设置为零,...
【专利技术属性】
技术研发人员:张召,张欢,张莉,王邦军,
申请(专利权)人:苏州大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。