[发明专利]联合低秩表示和稀疏回归的多视角学习方法

权利要求书

1.一种联合低秩表示和稀疏回归的多视角学习方法，其特征在于，所述方法包括以下步骤：

对带有图像记忆度分数标签的SUN数据集分别进行低级特征和高级属性特征的提取；

将低秩表示、结合稀疏回归模型和多视角一致性损失三部分放在同一个框架下构成一个整体，构建联合低秩和稀疏回归的多视角模型；

利用多视觉自适应回归算法解决自动预测图像的可记忆性的问题，在最优参数下得到图像底层特征、图像属性特征和图像记忆度的关系；

组合图像的低级特征和高级属性特征，利用在最优参数下得到的关系结果，预测数据库测试集图像记忆度，并用相关评价标准来验证预测结果；

所述利用多视觉自适应回归算法解决自动预测图像的可记忆性的问题为：通过松弛变量Q来转换等价的问题：

s.t.X＝XA+E,Q＝Aw

其中，A为低秩表示的映射矩阵；w为低秩特征表示和输出记忆度分数之间的线性依赖关系；E是稀疏误差约束部分；α是预测误差部分和正则化部分之间的平衡参数；β为控制稀疏的参数；λ＞0是平衡参数；X为输入的特征；y为可记忆度分数向量；*是核范数表示；φ为图正则化的约束项；L是拉普拉斯算子；

引入两个松弛变量Y₁和Y₂以获得增广的拉格朗日函数：

其中，＜,＞代表矩阵的内积操作，Y₁和Y₂代表拉格朗日算子矩阵，μ＞0是正惩罚参数，将上述方法合并为：

其中

引入变量t，定义A_t,E_t,Q_t,w_t,Y_1,t,Y_2,t和μ作为变量的第t次迭代的结果，得到第t+1次迭代结果如下所示：

A的迭代结果：

其中，

固定w,A,Q得到E的优化结果如下：

通过固定E,A,Q，优化w结果如下：

上述问题是岭回归问题，最优解是

最后固定E,w,A，优化Q，得到：

Y₁和Y₂通过以下方案更新：

Y_1,t+1＝Y_1,t+μ_t(X-XA_t+1-E_t+1)

Y_2,t+1＝Y_2,t+μ_t(Q_t+1-A_t+1w_t+1)

其中，为求偏导的符号；

所述联合低秩和稀疏回归的多视角模型具体为：

其中：

G(φ_H,φ_l)＝tr[(X_lA_lw_l)^TX_HA_Hw_H]

为用作高级特征预测误差的损失函数；为用作低级特征预测误差的损失函数；为用于解决过拟合问题的图形正则化表示；X_H为高级属性特征；A_H为高级属性特征低秩表示的映射矩阵；E_H为是高级属性特征稀疏误差约束部分；w_H为高级属性特征的低秩表示和输出记忆度分数之间的线性依赖关系；A_l为低级特征低秩表示的映射矩阵；E_l为低级属性特征稀疏误差约束部分；X_l为低级属性特征；w_l为低级属性特征的低秩表示和输出记忆度分数之间的线性依赖关系。

2.根据权利要求1所述的一种联合低秩表示和稀疏回归的多视角学习方法，其特征在于，所述方法还包括：获取图像可记忆性数据集。

3.根据权利要求1所述的一种联合低秩表示和稀疏回归的多视角学习方法，其特征在于，所述低级特征包括：尺度不变特征变换特征、搜索树特征、方向梯度直方图特征、以及结构相似性特征。

4.根据权利要求1所述的一种联合低秩表示和稀疏回归的多视角学习方法，其特征在于，所述高级属性特征包括：327维场景类别属性特征、以及106维对象属性特征。