图像多标签分类方法、装置、计算机设备和存储介质制造方法及图纸

本申请实施例涉及图像处理技术领域，公开了一种图像多标签分类方法、装置、计算机设备和存储介质，所述方法包括：获取m个初始标签和n个初始样本图像各自的初始特征向量；对n个所述初始样本图像各自的初始特征向量进行深度矩阵分解，得到n个所述初始样本图像各自的低秩特征向量，所述低秩特征向量的维度小于所述初始特征向量的维度；根据m个所述初始标签和n个所述初始样本图像各自的低秩特征向量，构建样本关联网络、标签关联网络和样本标签网络；对所述样本关联网络、所述标签关联网络和所述样本标签网络进行随机游走和标签分类，得到每个所述初始样本图像的多标签分类结果。实施本申请实施例，能解决现有图像多标签分类中降低标签分类的精度和速度等问题。标签分类的精度和速度等问题。标签分类的精度和速度等问题。

【技术实现步骤摘要】
图像多标签分类方法、装置、计算机设备和存储介质


[0001]本申请涉及图像处理
，具体涉及一种图像多标签分类方法、装置、计算机设备和存储介质。

技术介绍

[0002]伴随着科技进步不断产生海量的媒体数据，这些媒体数据是指图像、视频及其标题、文本等信息。而如何借助科学工具对媒体数据进行目标检测和跟踪已成为计算机视觉和模式识别中所要解决的重要问题。在解决这些问题时，往往会涉及对图像进行分类，以提升后续目标检测和跟踪的精度和速度。因此，对图像进行有效分类显得尤为重要。
[0003]目前，传统的图像分类按照图像分类的类别个数常分为：单标签分类和多标签分类。在实际生活中，一张图像往往包含有丰富的语义信息，如目标场景、行为、属性、对象(如风景和动物)等，单个类别或标签难以充分描述图像所包含的语义信息，因此单标签分类容易对图像处理造成信息损失。而多标签分类能为图像分配多个标签，用以充分表达图像内容，在一定程度上能避免信息损失。
[0004]现有技术中，图像多标签分类通常采用以下两种处理方式实现。第一种处理方式为：将多标签数据集转换为单标签数据集，再采用单标签分类方法对转换后的单标签数据集进行分类。然而这种处理方式会忽略标签本身之间的依赖关系，从而降低了标签分类的精度。
[0005]第二种处理方式为：采用随机游走模型将多标签图像映射为随机游走图，在满足随机游走模型的收敛条件时，实现图像的多标签分类。然而这种处理方式在图像处理过程中，例如图像特征降维时会忽略图像的内部结构信息，且收敛速度较慢，从而降低了标签分类的精度和速度。

技术实现思路

[0006]本申请实施例公开一种图像多标签分类方法、装置、计算机设备和存储介质，能解决现有图像多标签分类中降低标签分类的精度和速度等问题。
[0007]本申请实施例第一方面公开一种图像多标签分类方法，所述方法包括：
[0008]获取m个初始标签和n个初始样本图像各自的初始特征向量，所述初始特征向量为对所述初始样本图像进行特征提取所获得的特征向量，m和n均为正整数；
[0009]对n个所述初始样本图像各自的初始特征向量进行深度矩阵分解，得到n个所述初始样本图像各自的低秩特征向量，所述低秩特征向量的维度小于所述初始特征向量的维度；
[0010]根据m个所述初始标签和n个所述初始样本图像各自的低秩特征向量，构建样本关联网络、标签关联网络和样本标签网络，所述样本关联网络用于反映所述初始样本图像之间的相似度，所述标签关联网络用于反映所述初始标签之间的关联度，所述样本标签网络用于反映所述初始样本图像和所述初始标签之间的关联度；
[0011]对所述样本关联网络、所述标签关联网络和所述样本标签网络进行随机游走和标签分类，得到每个所述初始样本图像的多标签分类结果。
[0012]在一些实施例中，所述对n个所述初始样本图像各自的初始特征向量进行深度矩阵分解，得到n个所述初始样本图像各自的低秩特征向量包括：
[0013]对n个所述初始样本图像各自的初始特征向量进行协同矩阵分解，以将n个所述初始样本图像各自的初始特征向量映射为n个所述初始样本图像各自的隐含因子向量；
[0014]对n个所述初始样本图像各自的隐含因子向量进行正则化约束，得到n个所述初始样本图像各自的低秩特征向量。
[0015]在一些实施例中，所述根据m个所述初始标签和n个所述初始样本图像各自的低秩特征向量，构建样本关联网络、标签关联网络和样本标签网络包括：
[0016]对n个所述初始样本图像各自的低秩特征向量进行样本相似度计算，得到n个所述初始样本图像中的任意两个所述初始样本图像之间的样本相似度；
[0017]根据所述任意两个所述初始样本图像之间的样本相似度，构建所述样本关联网络；
[0018]根据m个所述初始标签和每个所述初始样本图像对应拥有的已知标签，构建所述标签关联网络和所述样本标签网络，所述已知标签为n个所述初始标签中的标签。
[0019]在一些实施方式中，所述对n个所述初始样本图像各自的低秩特征向量进行样本相似度计算，得到n个所述初始样本图像中的任意两个所述初始样本图像之间的样本相似度包括：
[0020]对所述任意两个所述初始样本图像的低秩特征向量进行综合相似度计算，得到所述任意两个所述初始样本图像之间的综合相似度；
[0021]对所述任意两个所述初始样本图像的低秩特征向量进行高斯核相似度计算，得到所述任意两个所述初始样本图像之间的高斯核相似度；
[0022]根据所述任意两个所述初始样本图像之间的所述综合相似度和所述高斯核相似度，计算得到所述任意两个所述初始样本图像之间的样本相似度。
[0023]在一些实施方式中，所述对所述任意两个所述初始样本图像的低秩特征向量进行综合相似度计算，得到所述任意两个所述初始样本图像之间的综合相似度包括：
[0024]对所述任意两个所述初始样本图像的低秩特征向量进行余弦相似度计算，得到所述任意两个所述初始样本图像之间的余弦相似度；
[0025]对所述任意两个所述初始样本图像之间的余弦相似度进行预设逻辑处理，得到所述任意两个所述初始样本图像之间的处理相似度；
[0026]对所述任意两个所述初始样本图像之间的处理相似度进行集群聚类处理，得到所述任意两个所述初始样本图像之间的综合相似度。
[0027]在一些实施方式中，所述对任意两个所述初始样本图像之间的处理相似度进行集群聚类处理，得到所述任意两个所述初始样本图像之间的综合相似度包括：
[0028]确定集群聚类系数，所述集群聚类系数用于反映在所述任意两个所述初始样本图像位于同一样本图像集群时，所述同一样本图像集群的聚类系数；
[0029]根据所述集群聚类系数对所述任意两个所述初始样本图像之间的处理相似度进行修正，得到所述任意两个所述初始样本图像之间的综合相似度。
[0030]在一些实施方式中，所述对所述任意两个所述初始样本图像的低秩特征向量进行高斯核相似度计算，得到所述任意两个所述初始样本图像之间的高斯核相似度包括：
[0031]根据每个所述初始样本图像与每个所述初始标签之间的关联关系，确定每个所述初始样本图像的高斯核带宽；
[0032]根据所述高斯核带宽对所述任意两个所述初始样本图像的低秩特征向量进行相似度计算，得到所述任意两个所述初始样本图像之间的高斯核相似度。
[0033]在一些实施方式中，所述根据m个所述初始标签和每个所述初始样本图像对应拥有的已知标签，构建所述标签关联网络包括：
[0034]根据每个所述初始样本图像对应拥有的已知标签，确定m个所述初始标签中任意两个所述初始标签之间的样本关联数量，所述样本关联数量为任意两个所述初始标签同时关联到同一个样本图像的数量；
[0035]根据任意两个所述初始标签之间的样本关联数量，确定任意两个所述初始标签之间的新建边的权重；
[0036]根据任意两个所述初始标签之间的新建边的权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像多标签分类方法，其特征在于，所述方法包括：获取m个初始标签和n个初始样本图像各自的初始特征向量，所述初始特征向量为对所述初始样本图像进行特征提取所获得的特征向量，m和n均为正整数；对n个所述初始样本图像各自的初始特征向量进行深度矩阵分解，得到n个所述初始样本图像各自的低秩特征向量，所述低秩特征向量的维度小于所述初始特征向量的维度；根据m个所述初始标签和n个所述初始样本图像各自的低秩特征向量，构建样本关联网络、标签关联网络和样本标签网络，所述样本关联网络用于反映所述初始样本图像之间的相似度，所述标签关联网络用于反映所述初始标签之间的关联度，所述样本标签网络用于反映所述初始样本图像和所述初始标签之间的关联度；对所述样本关联网络、所述标签关联网络和所述样本标签网络进行随机游走和标签分类，得到每个所述初始样本图像的多标签分类结果。2.根据权利要求1所述的方法，其特征在于，所述对n个所述初始样本图像各自的初始特征向量进行深度矩阵分解，得到n个所述初始样本图像各自的低秩特征向量包括：对n个所述初始样本图像各自的初始特征向量进行协同矩阵分解，以将n个所述初始样本图像各自的初始特征向量映射为n个所述初始样本图像各自的隐含因子向量；对n个所述初始样本图像各自的隐含因子向量进行正则化约束，得到n个所述初始样本图像各自的低秩特征向量。3.根据权利要求1所述的方法，其特征在于，所述根据m个所述初始标签和n个所述初始样本图像各自的低秩特征向量，构建样本关联网络、标签关联网络和样本标签网络包括：对n个所述初始样本图像各自的低秩特征向量进行样本相似度计算，得到n个所述初始样本图像中的任意两个所述初始样本图像之间的样本相似度；根据所述任意两个所述初始样本图像之间的样本相似度，构建所述样本关联网络；根据m个所述初始标签和每个所述初始样本图像对应拥有的已知标签，构建所述标签关联网络和所述样本标签网络，所述已知标签为n个所述初始标签中的标签。4.根据权利要求3所述的方法，其特征在于，所述对n个所述初始样本图像各自的低秩特征向量进行样本相似度计算，得到n个所述初始样本图像中的任意两个所述初始样本图像之间的样本相似度包括：对所述任意两个所述初始样本图像的低秩特征向量进行综合相似度计算，得到所述任意两个所述初始样本图像之间的综合相似度；对所述任意两个所述初始样本图像的低秩特征向量进行高斯核相似度计算，得到所述任意两个所述初始样本图像之间的高斯核相似度；根据所述任意两个所述初始样本图像之间的所述综合相似度和所述高斯核相似度，计算得到所述任意两个所述初始样本图像之间的样本相似度。5.根据权利要求4所述的方法，其特征在于，所述对所述任意两个所述初始样本图像的低秩特征向量进行综合相似度计算，得到所述任...

【专利技术属性】
技术研发人员：王越辉，
申请(专利权)人：西安闻泰信息技术有限公司，
类型：发明
国别省市：