一种结合特权信息和排序支持向量机的图像分类方法技术

本发明专利技术公开了一种结合特权信息和排序支持向量机的图像分类方法，该方法首先构建正标记图像集和未标记图像集，从未标记图像集中识别出可靠负图像，并利用可靠负图像来建立正原型图像和负原型图像；从未标记图像集中删除可靠负图像，然后将剩余的未标记图像、正图像、负图像分别转换为向量，将这几类向量两两做差以形成差异图像；利用相似性模型表示所述的差异图像；利用差异图像和相似性权重及特权信息构建分类模型并进行训练，训练后的分类模型用于图像分类。本发明专利技术方法中考虑了特权信息和差异图像的相似性，将相似性和特权信息融入到排序支持向量机学习阶段，以快速地对图像进行分类。

An image classification method based on privilege information and ordered support vector machine

【技术实现步骤摘要】
一种结合特权信息和排序支持向量机的图像分类方法
本专利技术涉及图像处理和机器学习领域，具体涉及一种结合特权信息和排序支持向量机的图像分类方法。
技术介绍
随着信息时代的到来，信息数据爆炸式增长，图像信息表达生动直接，逐渐成为主流信息传播方式之一。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于图像数据量迅猛不断增长，传统的分类方法不堪重负，需要一种快速高效合理的方法对图像进行处理和分析。基于卷积神经网络的图像分类方法成为目前图像分类的主流算法，与传统的图像分类方法相比，其不再需要人工的对目标图像进行特征描述和提取。常用的经典卷积神经网络模型种类繁多，比如，AlexNet模型：对图像的特征描述及提取能力十分有限，GoogLeNet模型：随着模型层次的加深，梯度弥散问题愈发严重，使得网络难以训练，VGGNet模型：卷积层使用的卷积核较小，但增加了模型的深度，且该网络使用的参数过多，训练速度缓慢。随着正标记实例和未标记实例的学习(Positiveandunlabeledlearning，PUlearning)的发展，人们提出了基于PU学习的图像分类本文档来自技高网...

【技术保护点】
1.一种结合特权信息和排序支持向量机的图像分类方法，其特征在于，包括以下步骤：步骤1，从图像数据集中随机选择图像构造正类和负类，对于正类中的所有图像，随机选择其中部分图像进行标记，记为已标记正图像，并构成正标记图像集；将正类中的其余图像以及负类中的所有图像构成未标记图像集；步骤2，从未标记图像集中识别出可靠负图像，并利用可靠负图像来建立正原型图像和负原型图像；步骤3，从未标记图像集中删除可靠负图像，然后将剩余的未标记图像、正图像、负图像分别转换为向量，将这几类向量两两做差以形成差异图像；利用相似性模型表示所述的差异图像；步骤4，利用差异图像和相似性权重及特权信息构建分类模型并进行训练，训练后的...

【技术特征摘要】
1.一种结合特权信息和排序支持向量机的图像分类方法，其特征在于，包括以下步骤：步骤1，从图像数据集中随机选择图像构造正类和负类，对于正类中的所有图像，随机选择其中部分图像进行标记，记为已标记正图像，并构成正标记图像集；将正类中的其余图像以及负类中的所有图像构成未标记图像集；步骤2，从未标记图像集中识别出可靠负图像，并利用可靠负图像来建立正原型图像和负原型图像；步骤3，从未标记图像集中删除可靠负图像，然后将剩余的未标记图像、正图像、负图像分别转换为向量，将这几类向量两两做差以形成差异图像；利用相似性模型表示所述的差异图像；步骤4，利用差异图像和相似性权重及特权信息构建分类模型并进行训练，训练后的分类模型用于图像分类。2.如权利要求1所述的结合特权信息和排序支持向量机的图像分类方法，其特征在于，所述的从未标记图像集中识别出可靠负图像，包括：分别利用Spy技术和Rocchio技术从未标记图像集中识初步别出可靠负图像，将两种技术初步识别出的可靠幅图像做交集，将交集中的图像作为最终的可靠负图像。3.如权利要求1所述的结合特权信息和排序支持向量机的图像分类方法，其特征在于，所述的用可靠负图像来建立代表性的正原型图像和负原型图像，包括：设获取的可靠负图像有a张，剩下的未标记图像为u'张，用k均值聚类方法将这a个可靠负图像分为m个微聚类，来建立正原型图像和负原型图像，计算公式如下：正原型图像：负原型图像：其中，参数α、β、t为调节参数，pv表示第v个微聚类代表性的正原型图像，nv表示第v个微聚类代表性的负原型图像；PS表示正标记图像集，US表示未标记图像集，NSv表示第v个微聚类的可靠负图像集合。4...

【专利技术属性】
技术研发人员：刘倩，刘波，肖燕珊，李松松，刘芷菁，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44