一种基于深度标签预测的诱导式图像分类方法及系统技术方案

本发明专利技术公开了一种基于深度标签预测的诱导式图像分类方法及系统，首先对有标签的训练样本和无标签的训练样本进行相似性学习，构造加权相似近邻图，再初始化一个类标签矩阵。为了降低“浅”预测标签中的混合信号对系统性能的影响，引入了描述学习的思想，先计算基于原始输入空间的通常含有混合信号的“浅”软标签，进而利用描述学习得到判别性更强的深度软标签，取深度标签中概率的最大值，用于类别鉴定，得到最准确的分类结果。通过深度标签预测，有效降低了浅层软标签中的混合信号对结果的影响，使分类精度大幅提高。此外，本发明专利技术方法通过引入描述学习，可快速有效地完成样本外数据的深度归纳分类，无需引入额外的学习过程，方法可拓展性好。

【技术实现步骤摘要】

本申请涉及模式识别和数据挖掘
，特别是涉及一种基于深度标签预测的 诱导式图像分类方法及系统。
技术介绍
当今，图像分类技术是数据挖掘、机器学习等领域最重要的研宄课题之一。分类主 要对未知类别的数据进行类别判断，在医疗数据分析，文本、网页、多媒体数据分类，信用卡 评级等领域有重大意义，一旦研宄成功并投入使用将带来巨大的社会效益与经济效益。 因其优秀的实用性和分类正确率，基于相似图构造的半监督学习方法已然兴起为 实用而普遍的分类工具。监督型学习方法的性能已被证明优于无监督型学习方法，但在现 实世界中，监督数据往往难以获得；假如通过对无标签样本进行人工标定来获得监督信息， 将耗费大量的时间、人力，从而使实用性大大降低。因此，为了兼顾实用与准确，半监督学习 成为人们追捧的方法。半监督型学习主要通过对大量数据中每一类样本中的少量数据进行 标定，再将监督信息通过相似图传播给未知类别的数据，进而预测出无标签样本的类别。 近年来，基于标签传播理论的学习过程因其简单、有效、快速的优点，成为半监督 学习的典型代表之一。标签传播于2002年由Zhu等人提出，一经提出即引起国内外学者的 广泛关注，并逐渐被证实为一种简单、快速、扩展性强，性能稳定的算法，并逐渐被应用在许 多领域，比如社交平台的社会关系分析、多媒体信息检索分类等。标签传播通过学习样本之 间的相似性，将有标签样本的监督信息传播给无标签样本，进而实现对无标签样本的类别 估计。目前几乎所有算法都采用浅层的软标签预测结果作为输出，然而浅层软标签中的混 合信号往往对结果有较大影响。因此现有方法缺少了对软标签进行优化的步骤。 因此，提出一种基于深度标签预测的诱导式图像分类方法及系统，减少原始输入 空间含有的混合信号的影响，获得判别性更强的深度软类别标签，提高算法的适用范围和 鲁棒性，增强分类性能，是本领域人员亟待解决的问题。
技术实现思路
有鉴于此，本申请提供了一种基于深度标签预测的诱导式图像分类方法及系统， 以减少原始输入空间含有的混合信号的影响，获得判别性更强的深度软类别标签，提高算 法的适用范围和鲁棒性，增强分类性能。 为解决上述技术问题，本申请提供一种基于深度标签预测的诱导式图像分类方 法，该方法利用描述学习理论进行半监督标签传播的诱导式分类，包括： 对训练集进行训练预处理，包括：根据训练集中所有训练样本的K近邻使用 LLE-重构权，构建相似近邻图，根据所述相似近邻图求得对称化、归一化的权重矩阵，初始 化类别标签矩阵Y; 构建直推式深度标签预测模型，迭代得到所述训练集的"浅"软标签矩阵F、深度嵌 入矩阵P和深度投影矩阵A，利用所述"浅"软标签矩阵F和深度嵌入矩阵P得到所述训练 集的深度预测标签，利用所述深度投影矩阵A对所述深度预测标签进行描述学习； 对测试样本进行诱导式标签预测，包括：利用学习得到的深度投影矩阵A对测试 集中无标签样本数据进行投影，得到所述测试集的深度标签矩阵，根据所述深度标签矩阵 中各行的最大值确定测试样本对应的标签类别，得到分类结果。 优选的，所述根据训练集中所有训练样本的K近邻使用LLE-重构权，构建相似近 邻图，根据所述相似近邻图求得对称化、归一化的权重矩阵，包括： 对所述训练集中所有训练样本进行K最近邻搜索，找出每个样本的K个最近邻样 本； 采用LLE-重构权的构造方法，计算、衡量顶点之间的相似性，构造相似近邻图的 相似度量矩阵； 对所述相似度量矩阵进行对称化、归一化处理，得到所述权重矩阵。 本申请还提供了一种基于深度标签预测的诱导式图像分类系统，包括： 训练预处理模块，用于对训练集进行训练预处理，包括：根据训练集中所有训练样 本的K近邻使用LLE-重构权，构建相似近邻图，根据所述相似近邻图求得对称化、归一化的 权重矩阵，初始化类别标签矩阵Y; 训练模块，用于构建直推式深度标签预测模型，迭代得到所述训练集的"浅"软标 签矩阵F、深度嵌入矩阵P和深度投影矩阵A，利用所述"浅"软标签矩阵F和深度嵌入矩阵 P得到所述训练集的深度预测标签，利用所述深度投影矩阵A对所述深度预测标签进行描 述学习； 测试模块，用于对测试样本进行诱导式标签预测，包括：利用学习得到的深度投影 矩阵A对测试集中无标签样本数据进行投影，得到所述测试集的深度标签矩阵，根据所述 深度标签矩阵确定测试样本对应的标签类别，以完成诱导式半监督图像分类过程。 以上本申请提供的一种基于深度标签预测的诱导式图像分类方法及系统中，在应 用直推式标签传播方法计算得到原始输入空间的"浅"软标签F后，利用描述学习计算得到 判别性更强的深度软标签（也就是深度预测标签），取深度软标签中相似性概率的最大值， 用于图像类别的鉴定，得到更准确的分类结果。通过将描述学习引入诱导式过程，可有效地 将浅层软标签中的混合信号对分类结果的影响降至最低，使分类精度有大幅提高，此外，同 时也扩展了标签传播方法的适用范围，提高了性能和稳定性。【附图说明】 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。 图1为本申请一种基于深度标签预测的诱导式图像分类方法实施例1的流程图； 图2为本申请一种基于深度标签预测的诱导式图像分类方法实施例1的标签预测 示意图 图3为本申请一种基于深度标签预测的诱导式图像分类方法实施例2的流程图； 图4为本申请一种基于深度标签预测的诱导式图像分类系统实施例1的结构框图 示意图。【具体实施方式】 下面将结当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于深度标签预测的诱导式图像分类方法，其特征在于，利用描述学习理论进行半监督标签传播的诱导式分类，该方法包括：对训练集进行训练预处理，包括：根据训练集中所有训练样本的K近邻使用LLE‑重构权，构建相似近邻图，根据所述相似近邻图求得对称化、归一化的权重矩阵，初始化类别标签矩阵Y；构建直推式深度标签预测模型，迭代得到所述训练集的“浅”软标签矩阵F、深度嵌入矩阵P和深度投影矩阵A，利用所述“浅”软标签矩阵F和深度嵌入矩阵P得到所述训练集的深度预测标签，利用所述深度投影矩阵A对所述深度预测标签进行描述学习；对测试样本进行诱导式标签预测，包括：利用学习得到的深度投影矩阵A对测试集中无标签样本数据进行投影，得到所述测试集的深度标签矩阵，根据所述深度标签矩阵中各行的最大值确定测试样本对应的标签类别，得到分类结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：张召，梁雨宸，张莉，李凡长，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32