一种基于多视角学习的半监督图像分类方法技术

本发明专利技术公开了一种新的基于多视角学习的半监督图像分类方法，用以解决带有部分标注的多视角图像数据的分类问题。本发明专利技术提供的图像分类方法包括：根据用户输入的图像多视角特征表示和部分图像的类标，联合学习图像多视角特征的统一潜在因子表示和在此统一潜在因子空间下具有判别力的线性分类器，从而对未标注图像进行有效的分类。

【技术实现步骤摘要】

本专利技术涉及多视角学习、潜在因子学习和半监督学习领域，特别是。
技术介绍
在现实图像分类问题中，图像数据可以从诸如颜色，纹理，形状等不同视觉角度加以描述。这些不同的图像特征从不同视角揭示了所研究图像的不同属性。对此类多视角描述对象的研究在学术界称之为多视角学习。合理地探索蕴含于多视角数据中的互补信息和关系可以极大提升学习效果。一般来说多视角学习的研究有两个主要方向。第一个方向是基于互训练(co-training)的方法，其基本思想是分别在两个视角内训练分类器，把每个分类器最具信心的分类结果送给对方视角分类器作为新的训练样本。这种方式存在两个不合理的地方，一是对不同视角不作区别对待，二是每一轮迭代都必须重新训练，计算负担巨大。第二个方向是基于统一潜在因子学习，最典型的例子就是典型相关分析(CanonicalCorrelation Analysis, CCA)。本专利技术基于后者的思想。大多数的潜在因子学习是无监督学习，因此学习到的潜在因子的判别力较弱。在实际情况中，充分标注的数据是很昂贵的，并且获取很困难。而部分标注的数据往往可以被很方便地获取到，尤其是在互联网应用日益普遍，用户标本文档来自技高网...

【技术保护点】
一种基于多视角学习的半监督图像分类方法，其包括：步骤1：获取包括已标注类别和未标注类别的图像样本数据的样本数据集，所述样本数据集由多视角特征表示的不同视角样本数据所构成；步骤2：通过多视角统一潜在因子和线性分类器的联合学习获得对应于所述样本数据集的统一潜在因子和在统一潜在因子空间下的线性分类器；步骤3：根据所获得的统一潜在因子和所述线性分类器获得所述样本数据集中未标注类别的图像样本数据的标注类别，进而对所述样本数据集中的图像样本数据进行分类。

【技术特征摘要】
1.种基于多视角学习的半监督图像分类方法，其包括: 步骤1:获取包括已标注类别和未标注类别的图像样本数据的样本数据集，所述样本数据集由多视角特征表示的不同视角样本数据所构成； 步骤2:通过多视角统一潜在因子和线性分类器的联合学习获得对应于所述样本数据集的统一潜在因子和在统一潜在因子空间下的线性分类器； 步骤3:根据所获得的统一潜在因子和所述线性分类器获得所述样本数据集中未标注类别的图像样本数据的标注类别，进而对所述样本数据集中的图像样本数据进行分类。2.权利要求1所述的方法，其特征在于，步骤2中所述多视角统一潜在因子和线性分类器的联合学习基于多视角协同非负矩阵分解模型、考虑2，I范正则项的回归模型和自适应的多视角权重分配策略完成；其中所述多视角协同非负矩阵分解模型基于不同视角样本数据共享潜在因子的假设，对所述不同视角样本数据进行非负重构，最终获得最小的重构误差；所述考虑2，I范正则项的回归模型用于通过对所述样本数据集中已标注类别的图像样本数据在所述统一潜在因子空间下进行最小化预测误差的限制，构建分类器，并根据所述分类器在统一潜在因子空间下对未标注样本进行分类预测；所述自适应的多视角权重分配策略以不同视角样本数据的重构误差为依据，为多视角样本数据分配不同的权重。3.权利要求2所述的方法，其特征在于，所述多视角协同非负矩阵分解模型如下表示:4.权利要求2所述的方法，其特征在于，所述考虑2，I范正则项的回归模型如下表示:5.权利要求2所述的方法，其特征在于，所述自适应的多视角权重分配策略用如下函数表示:6.权利要求2所述的方法，其特征在于，所述基于多视角协同非负矩阵分解模型、考虑2，I范正则项的回归模型和自适应的多视角权...

【专利技术属性】
技术研发人员：卢汉清，蒋瑜，刘静，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：