【技术实现步骤摘要】
一种基于互联网社交系统的图像分类方法及装置
本专利技术涉及图像分类
，尤其涉及一种基于互联网社交系统的图像分类方法及装置。
技术介绍
图像分类是一个热门的研究领域，有着巨大的商业价值，多用于辅助图像识别技术，例如人脸识别、车牌识别、图像检测、图像搜索等。目前，有不少研究人员在图像分类方面进行了大量的研究，提出了卷积神经网络等方法对图像进行分类，但仍然有不少图像难以通过视觉特征进行识别。而随着互联网社交系统的出现和移动设备的广泛使用，人们愈发倾向于把图像上传到在线社交网络中，在线社交网络或者图像分享网站中包含了大量的图像，如果仍然使用图像的视觉特征对图像进行分类，那么视觉特征的识别失败率高将导致相当一部分图像无法识别和分类，因此，使用图像的视觉特征对进行图像分类已经不适配当前的图像数据库，而亟需一种新的图像分类方法以提高对在线社交网络中图像分类的能力。
技术实现思路
本专利技术的主要目的在于提出一种基于互联网社交系统的图像分类方法及装置，以解决现有的图像分类方法无法与互联网社交系统的图像数据库...
【技术保护点】
1.一种基于互联网社交系统的图像分类方法，其特征在于，包括：/n从互联网社交系统的数据库中获取图像数据，以及基于所述图像数据的社交网络信息；/n根据所述社交网络信息构建基于所述图像数据的N个关系网络，N个所述关系网络表示所述图像数据中图像之间的多种关系；/n通过多关系网络表征学习算法或半监督网络表征学习算法训练N个所述关系网络，获得N个所述关系网络的网络表征向量Φ；/n在已分类样本图像中提取视觉特征I，其中所述图像数据包括所述已分类样本图像；/n构建神经网络分类器，并通过所述网络表征向量Φ和所述视觉特征I训练所述神经网络分类器，以使训练后的神经网络分类器对待分类图像进行分类。/n
【技术特征摘要】
1.一种基于互联网社交系统的图像分类方法，其特征在于，包括：
从互联网社交系统的数据库中获取图像数据，以及基于所述图像数据的社交网络信息；
根据所述社交网络信息构建基于所述图像数据的N个关系网络，N个所述关系网络表示所述图像数据中图像之间的多种关系；
通过多关系网络表征学习算法或半监督网络表征学习算法训练N个所述关系网络，获得N个所述关系网络的网络表征向量Φ；
在已分类样本图像中提取视觉特征I，其中所述图像数据包括所述已分类样本图像；
构建神经网络分类器，并通过所述网络表征向量Φ和所述视觉特征I训练所述神经网络分类器，以使训练后的神经网络分类器对待分类图像进行分类。
2.如权利要求1所述的基于互联网社交系统的图像分类方法，其特征在于，根据所述社交网络信息构建基于所述图像数据的N个关系网络，包括：
在所述图像数据中N次随机获取两个图像作为一个图像组，并获取第N个所述图像组中两个图像的社交网络信息，其中N为正整数；
所述两个图像的社交网络信息包括相同社交网络信息T，T＝(t1,...,tn)，其中，tn表示社交网络信息中的一个信息，n为正整数；
计算第N个所述图像组中的两个图像的连接权重Am，公式为其中，T1和T2为第N个所述图像组中类型相同的两个社交网络信息，m为小于或等于N的正整数；
根据N个所述图像组中的两个图像的连接权重Am，构建以所述两个图像为网络节点的N个关系网络G，公式为G＝(V,Am)。
3.如权利要求1所述的基于互联网社交系统的图像分类方法，其特征在于，通过多关系网络表征学习算法或半监督网络表征学习算法训练N个所述关系网络，获得N个所述关系网络的网络表征向量Φ，包括：
将N个所述关系网络进行格式转换；
通过所述关系网络表征学习算法识别N个所述关系网络的重要性；
其中，用αl表示第N个所述关系网络的重要性，并将N个所述关系网络融合，公式为：
通过矩阵分解方法分解融合后的关系网络，获得N个所述关系网络的网络表征向量Φ；
或者，
将N个所述关系网络进行格式转换；
通过半监督网络表征学习算法学习N个所述关系网络中每个节点的表征向量φ1,...,φm；
拼接所述每个节点的表征向量φ1,...,φm，获得N个所述关系网络的网络表征向量Φ。
4.如权利要求3所述的基于互联网社交系统的图像分类方法，其特征在于，拼接所述每个节点的表征向量φ1,...,φm，获得N个所述关系网络的网络表征向量Φ，包括：
采用负采样算法优化所述每个节点的表征向量；
拼接所述每个节点的表征向量φ1,...,φm，并进行归一化处理，获得N个所述关...
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。