鲁棒的自适应半监督图像分类方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了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。其中，方法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。本申请提供的技术方案有效的提升了图像分类和图形分类预测的能力，有利于提升图像分类的准确度。 1

Robust adaptive semi supervised image classification method, device, device and medium

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布，估计一个最优的K或ε值在现实中是挑战性的；现有的标签传播模型大多基于通常包含冗余信息、不利特征和噪声的原始数据进行权重系数的预结算，这也可能潜在地降低学习性能；现有方法得到的预测标签中通常由于缺乏适当的约束而具有不利的混合信号，然而其中包含的不利信号可能会直接导致不准确的标签预测和分类结果。因此，如何提供一种有效策略来解决上述问题，是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术实施例的目的是提供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，可有效提升模型预测和图像分类能力。为解决上述技术问题，本专利技术实施例提供以下技术方案：本专利技术实施例一方面提供了一种鲁棒的自适应半监督图像分类方法，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。可选的，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。可选的，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。可选的，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，在(t+1)次迭代更新Pt+1为：Pt+1更新之后，在(t+1)次迭代后，计算对角矩阵和为：式中，为的第i行，为Pt+1的第i行，X为所述原始数据集，为嵌入式软标签矩阵，P为所述投影分类器矩阵；计算收敛之后，得到最优自适应权重、最优嵌入式软标签矩阵、最优稀疏投影矩阵及最优投影分类器矩阵。可选的，还包括：输入测试样本数据集，利用所述投影分类器矩阵对所述测试样本数据集进行分类。可选的，所述利用所述投影分类器矩阵对所述测试数据集进行分类包括：将所述测试样本数据集中的每个样本数据嵌入到所述投影分类器矩阵中，以得到相对应的测试嵌入式软标签矩阵；确定各测试嵌入式软标签矩阵中最大条目的位置，以作为各样本数据的类别。本专利技术实施例另一方面提供了一种鲁棒的自适应半监督图像分类装置，包括：框架集成模块，用于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；标签分类模块，用于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；去噪模块，用于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；投影分类器矩阵计算模块，用于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。可选的，还包括：测试样本分类模块，用于利用所述投影分类器矩阵对输入的测试样本数据集中的样本数据进行分类。本专利技术实施例还提供了一种鲁棒的自适应半监督图像分类装置，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述鲁棒的自适应半监督图像分类方法的步骤。本专利技术实施例最后还提供了一种计算机存储介质，所述计算机可读存储介质上存储有鲁棒的自适应半监督图像分类程序，所述鲁棒的自适应半监督图像分类程序被处理器执行时实现如前任一项所述鲁棒的自适应半监督图像分类方法的步骤。本专利技术实施例提供了一种鲁棒的自适应半监督图像分类方法，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。本申请提供的技术方案的优点在于，将鲁棒自适应嵌入标签传播和自适应权重构造集成进一个统一的半监督学习框架，同时最小化基于嵌入特征和嵌入标签的重构误差，确保数据表示和分类为联合最优的。为了有效减少预测标签中的混合信息和噪音对分类结果的负面影响，通过学习一个鲁棒投影将原始预测标签变换到一个干净的标签空间进行精准分类。其次，为了降低本文档来自技高网...

【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