[发明专利]一种自适应的多视角图像分类方法及系统

说明书

本发明公开了一种自适应的多视角图像分类方法及系统，将多视角标签传播和自适应多图权重学习整合到一个统一的框架中，充分探索各视角间的互补性，通过引入线性变换来获取不同视角空间的权重参数，进而结合每个视角构建最优的权重系数。由于在多视角数据权重学习方面采用了自适应方式，可以避免传统的单视角和多视角标签传播方法过程中遇到的复杂而棘手的近邻数量或高斯核参数选择难问题。模型主要通过在训练过程中最小化基于多视角数据的分类误差和其重构系数之中的重构误差，最终输出样本的类别归属概率，取概率的最大值，用于图像类别的鉴定，得到最准确的分类结果。

技术领域

本发明涉及计算机视觉和图像识别技术领域，更具体的说，是涉及一种自适应的多视角图像分类方法及系统。

背景技术

由于标签传播在标签预测过程的有效性和效率，近来年，在模式识别和机器学习领域引起了人们的极大关注。标签传播是基于标记和未标记数据的几何结构，将标记数据的有监督标签信息传播到未标记样本的过程。一般来说，现有的基于图形的方法主要集中在从单个视角中预测标签，即单视角分类。但在现实生活中，许多数据集包含在多个视角中的不同表示或来自多个视角源，这激发了一个新的研究领域，即多视角学习。虽然给定数据的每个视角表示对于给定的学习任务可能是足够的，但是忽略不同视角的重要互补信息，即将每个视角分开学习。因此，多视角学习的主要挑战是开发算法来整合多个视角的补充信息，以增强表示和标签预测性能。

为了将实际应用领域从单视角扩展到多视角，并克服单视角标签传播的缺点，最近来，MLPP-CLP和AMGL将多视角学习的概念纳入到标签传播学习中。AMGL建议为各种视角中的所有子图学习一组加权因子，然后对每个视角预先计算的拉普拉斯矩阵执行半监督分类。而MLPP-CLP是通过查找预测来利用从多个数据表示获得的信息。显然，他们在将多视角重构过程从多视角标签传播过程中明确分离出来，因此不能保证来自各种视角的图权重对于随后的多视角标签估计是最佳的，并且都会在确定最佳邻域大小或内核宽度时遇到同样棘手的问题。此外，近邻的数量通常是人为的为每个视角固定相同的值，但是这种操作显然不能考虑各种实际数据的实际分布，也不考虑各种视角的不同分布。应该指出的是，上述几个遇到的问题可能导致分类性能下降。

因此，提供一种新的多视角标签传播框架，通过将多视角标签传播学习扩展到自适应学习场景，是本领域技术人员亟待解决的问题。

发明内容

本发明的发明目的是提供一种自适应的多视角图像分类方法及系统，以克服现有技术中仅限于单视角分类或者不能高效的结合多个视角对数据图像进行快速直接的分类，最大化分类精度的问题。

为达到上述发明目的，本发明采用的技术方案是：一种自适应的多视角图像分类方法，包括：

(1)、对原始多视角数据集进行随机划分，获得有标签训练集及无标签训练集，根据划分出来的所述有标签训练集和无标签训练集进行类别标签矩阵初始化；

(2)、联合自适应多图重建权重学习和多视角标签传播构建统一的框架进行学习训练，实现稀疏重构误差和分类误差同时最小化，同时在稀疏编码系数和重构错误施加L2,1范数正则化，提升整体预测准度和鲁棒性；

(3)、通过迭代优化对所述框架求解最小化问题，得到预测类别软标签矩阵，基于所述预测类别软标签矩阵确定待测样本对应的类别标签。

优选地，所述联合多视角学习和标签传播构建统一的框架进行学习训练，实现稀疏重构误差和分类误差同时最小化，同时在稀疏编码系数和重构错误施加L2,1范数正则化，提升整体预测准度和鲁棒性，包括：所述框架为