本申请涉及一种图像特征选择方法、产品、计算机设备和存储介质。本申请通过将自适应图学习、非线性谱嵌入、基于正交非负分解的聚类结构挖掘项、线性特征空间学习统一到一个框架下，在该框架下，线性嵌入突出判别信息的提取，非线性嵌入强调数据内在结构的保留，同时又统一在数据的划分一致性之下。自适应图学习能够同时考虑流形数据的局部本质结构与全局聚类结构，通过引入基于正交非负分解的松弛项，低维嵌入注重保留数据的内在结构而线性特征空间学习强调数据判别信息的提取，同时二者具有相同的聚类结构，获得准确的聚类结果。
【技术实现步骤摘要】
本申请涉及服务器，特别是涉及一种图像特征选择方法、产品、计算机设备和存储介质。
技术介绍
1、随着信息技术的发展，在机器学习、模式识别和计算机视觉等领域，处理高维数据变得十分普遍。这些高维数据通常包含噪声、不相关和冗余信息。直接使用高维数据会导致计算和存储方面的巨大压力，同时还可能导致过拟合、降低模型泛化性能等问题。因此，维数约简已经演变成为一种用于降低此类高维数据维度的关键步骤，有效地提高了数据处理的效率。特征提取算法改变了特征的原始数值含义，同时在获取低维投影时需要一定的数学计算。有监督特征选择算法需要获取数学的标签信息，这在实际情况中需要耗费大量的时间与人力成本。半监督特征选择算法对于数据的分布情况较为敏感，且其性能受标记数据的影响较大。谱嵌入算法通过对低维嵌入添加正交非负约束，将保留数据的局部本质结构与挖掘全局聚类结构统一到一个模型中，但是这也导致了在嵌入空间内数据的类内相关性与类间可分性相互耦合，使得算法无法实现对图的最小切。也就是说，对低维嵌入添加正交非负约束无法突出不同类别之间的可分性，从而导致嵌入结果不准确。
r/>技本文档来自技高网...
【技术保护点】
1.一种图像特征选择方法，其特征在于，包括：
2.根据权利要求1所述的图像特征选择方法，其特征在于，所述构建数据矩阵，根据所述数据矩阵依次构建相似度矩阵、自适应相似度矩阵、低维嵌入矩阵、聚类指示矩阵、正交基矩阵和投影矩阵包括：
3.根据权利要求2所述的图像特征选择方法，其特征在于，所述构建数据矩阵中，设置数据矩阵为，表示所述数据矩阵中的第i个数据点；
4.根据权利要求3所述的图像特征选择方法，其特征在于，所述对所述相似度矩阵中的元素添加松弛项形成n×n维自适应相似度矩阵，对所述自适应相似度矩阵进行非线性谱嵌入处理形成低维嵌入矩阵包括：
5....
【技术特征摘要】
1.一种图像特征选择方法，其特征在于，包括：
2.根据权利要求1所述的图像特征选择方法，其特征在于，所述构建数据矩阵，根据所述数据矩阵依次构建相似度矩阵、自适应相似度矩阵、低维嵌入矩阵、聚类指示矩阵、正交基矩阵和投影矩阵包括：
3.根据权利要求2所述的图像特征选择方法，其特征在于，所述构建数据矩阵中，设置数据矩阵为，表示所述数据矩阵中的第i个数据点；
4.根据权利要求3所述的图像特征选择方法，其特征在于，所述对所述相似度矩阵中的元素添加松弛项形成n×n维自适应相似度矩阵，对所述自适应相似度矩阵进行非线性谱嵌入处理形成低维嵌入矩阵包括：
5.根据权利要求4所述的图像特征选择方法，其特征在于，所述根据所述低维嵌入矩阵通过自适用图学习方式更新所述自适应相似度矩阵，保留原始空间内的局部流行结构包括：
6.根据权利要求4所述的图像特征选择方法，其特征在于，所述根据所述数据矩阵、所述相似度矩阵、所述自适应相似度矩阵、所述低维嵌入矩阵、所述聚类指示矩阵、所述正交基矩阵和所述投影矩阵的值获取目标函数包括：
7.根据权利要求6所述的图像特征选择方法，其特征在于，所述根据所述数据矩阵初始化所述相似度矩阵、正交基矩阵、所述投影矩阵、所述低维嵌入矩阵包括...
【专利技术属性】
技术研发人员：王新景，王超，吴韶华，
申请(专利权)人：苏州元脑智能科技有限公司，
类型：发明
国别省市：
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。