[发明专利]联合低秩表示和稀疏回归的多视角学习方法

说明书

本发明公开了一种联合低秩表示和稀疏回归的多视角学习方法，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。本发明联合低秩表示和稀疏回归的多视角学习框架，准确预测图像区域的可记忆性。

技术领域

本发明涉及低秩表示和稀疏回归领域，尤其涉及一种联合低秩表示和稀疏回归的多视角学习方法。

背景技术

人类有记住成千上万图像的能力，然而并不是所有的图像都以同样的方式被储存在大脑中。一些有代表性的图片看一眼就能记住，而其他图像很容易从记忆中消失。图像记忆被用来测量在特定时间段之后图像被记住或被遗忘的程度。以前的研究工作已经表明，对图片的记忆力和图像的固有属性有关，即对图片的记忆力在不同的时间间隔内以及在不同观察者之间是一致性的。在这种情况下，就像研究许多其他高级图像属性(如人气，兴趣，情绪和美学)一样，一些研究工作开始探索图像内容表示和图像记忆之间的潜在相关性。

分析图像可记忆性可以应用在诸如用户界面设计、视频摘要、场景理解和广告设计等几个领域中。例如，可以通过选择有意义的图像来将可记忆性用作引导标准来总结图像集合或视频。通过提高消费者对目标品牌的记忆，可以设计难忘的广告帮助商人扩大影响力。

近来，低秩表现(LRR)已经成功应用于多媒体和计算机视觉领域。为了更好地处理特征表示问题，LRR用于通过将原始数据矩阵分解为低秩表示矩阵，同时消除不相关的细节，揭示嵌入数据中的底层低维子空间结构。传统方法通常不足以进行异常值的处理。为了解决这个问题，最近有一些研究也着重于稀疏回归学习。

然而，这些作品的主要缺点之一是特征表示和记忆预测在两个分开的阶段进行。也就是说，当确定用于图像可记忆性预测的特征组合的图案时，回归步骤的最终性能主要由处理的特征决定。虽然参考文献[1]提出了联合低秩和稀疏回归的特征编码算法来处理异常值。同样，参考文献[2]开发了一种用于降维的联合图嵌入和稀疏回归框架。但它们都是为视觉分类问题设计的，而不是图像记忆预测任务。

发明内容

本发明提供了一种联合低秩表示和稀疏回归的多视角学习方法，本发明联合低秩表示和稀疏回归的多视角学习框架，准确预测图像区域的可记忆性，详见下文描述：

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；