【技术实现步骤摘要】
一种无监督图像特征的提取及分类方法
本专利技术涉及一种无监督图像特征的提取及分类方法。
技术介绍
图像处理与分类识别是深度学习领域的一个重要方向。近年来，随着深度学习的发展，深度学习所取得了举世瞩目的成绩。然而，现实中很多图像都具有较高的像素，比如数码相机、手机或者高清监控拍摄的图像像素都很高，原始图像高达几千万维，直接将原始的几千万维的图像数据转成向量输入到网络，因涉及到向量的计算问题，随着向量维数的增加，计算量呈指数倍增长，这种处理方式会有“维数灾难”的问题。目前，对深度学习样本的研究主要还是基于对深度学习模型的改进、样本特征的提取和卷积网络的改进。传统用的方法针对如何减少深度学习的数据训练样本成本并且保证深度学习效果的研究，要么是对训练样本进行特征标注提取，要么对学习过程进行方法改进。这些研究都带来了成本的增加，并且样本数量并不能够有非常显著的减少。在深度学习中，训练数据越多，训练效果越好，需要用来学习的训练样本量很大，但是有时无法提供成代变迁的数据图片用来学习，标记训练数据不足或高成本成为制约深度学习的一大瓶...
【技术保护点】
1.一种无监督图像特征的提取及分类方法，其特征在于：其包括以下步骤：/nA：建立具有隐藏层的串行栈式自编码器网络，将图像原始数据进行降维后输入所述自编码器网络；/nB：预训练网络得到权重矩阵W和偏置b，采用贪婪算法训练第一个隐藏层后更新权重矩阵W和偏置b，得到第一隐藏层特征矩阵，输入第一隐藏层特征矩阵，采用贪婪算法训练第二个隐藏层后再次更新权重矩阵W和偏置b，得到第二隐藏层特征矩阵；/nC：计算第一隐藏层和第二隐藏层各自的分类精度Y
【技术特征摘要】
1.一种无监督图像特征的提取及分类方法，其特征在于：其包括以下步骤：
A：建立具有隐藏层的串行栈式自编码器网络，将图像原始数据进行降维后输入所述自编码器网络；
B：预训练网络得到权重矩阵W和偏置b，采用贪婪算法训练第一个隐藏层后更新权重矩阵W和偏置b，得到第一隐藏层特征矩阵，输入第一隐藏层特征矩阵，采用贪婪算法训练第二个隐藏层后再次更新权重矩阵W和偏置b，得到第二隐藏层特征矩阵；
C：计算第一隐藏层和第二隐藏层各自的分类精度Ypq，其中，Ypq表示第q隐藏层的第p次的分类精度，q∈{1，2}，p∈N+，根据分类精度的不同赋予第一隐藏层和第二隐藏层相应的权重，加权融合第一隐藏层特征矩阵和第二隐藏层特征矩阵的特征得到混阶特征矩阵H；
D：混阶特征矩阵H通过SVM分类器进行分类，得到分类结果；
E：通过将分类结果与图像原始数据的图像标签进行比对，得到分类精度A。
2.根据权利要求1所述的一种无监督图像特征的提取及分类方法，其特征在于：步骤A中，所述自编码器是稀疏自编码器。
3.根据权利要求2所述的一种无监督图像特征的提取及分类方法，其特征在于：所述稀疏自编码器的代价函数为其中
为稀疏惩罚项，β为稀疏惩罚项的权重系数，S2是隐藏层中隐藏神经元的数量，而j依次代表隐藏层中的每一个神经...
【专利技术属性】
技术研发人员：杨敬民，杨东海，陈志翔，邢舒惠，郑锦磊，姚泽楠，
申请(专利权)人：闽南师范大学，
类型：发明
国别省市：福建;35
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。