[发明专利]基于引力模型的图像的多标签分类方法

说明书

本发明涉及机器学习领域，特别涉及一种基于引力模型的多标签分类方法，包括：获取有标签的样本集作为训练样本集；计算训练样本与其他训练样本的距离并排序，得到该训练样本的近邻集合；在近邻集合中，以标签之间的正相关性构建正相关矩阵，标签之间的负相关性构建负相关矩阵；计算出待测样本的近邻集合，并根据近邻集合构建待测正相关矩阵和待测负相关矩阵；将待测正相关矩阵和待测负相关矩阵得到正相关数据粒和负相关数据粒；构建引力模型，并通过待测样本与正相关数据粒和负相关数据粒之间的引力关系进行分类；本发明引入对标签间负相关关系的考虑，充分利用了标签间的相关性，并且在近邻集合中发掘相关关系，避免了全局计算，降低了复杂度。

技术领域

本发明涉及机器学习领域，特别涉及一种基于引力模型的图像的多标签分类方法。

背景技术

在机器学习领域，分类问题占有很大比例。传统机器学习以二类分类或者多类分类为主，其目的是将每个待分类数据准确地划分到某一类别当中。这样的单分类问题和多分类问题可以统称为单标签分类(single-label classification)。在实际应用中，多数分类任务需要面对的是多标签分类(multi-label classificaiton)问题。例如一张图片，画面内容可能包含多种元素，如沙滩、大海、高楼、人物等。对这样的图片进行类别划分即属于多标签分类任务。

现有图像的多标签分类方法主要采用两种思路，一种是问题转化法，将多标签问题转化成多个单标签问题，用单标签分类方法进行分类；另一种是算法适应法，对单标签方法进行改进来使其能够处理多标签分类问题。现有的算法适应法主要从利用标签相关性出发来进行分类方法的设计或改进。多标签数据具有丰富的标签信息，标签与标签之间也具有一定的相关性，对标签相关性的发掘能够有效提升图像的多标签分类方法的分类效果。而现有方法不能很好的利用标签相关性或者在对标签相关性的发掘中导致了分类方法的复杂度急剧上升。因此采用合适的方式对多标签数据的标签相关性进行利用并保证分类方法不会过于复杂能够有效提升图像的多标签分类方法的分类效果。

发明内容

为了避免了全局计算，降低了复杂度，本发明提出一种基于引力模型的图像的多标签分类方法，包括：

S1、获取有标签的图片样本集作为训练图片样本集，其中每一个训练图片样本包括特征部分和标签部分，且标签部分包括多个类别的标签；

S2、计算一个训练图片样本与其他训练图片样本的距离并排序，得到该训练图片样本的近邻集合；

S3、在近邻集合中，以标签之间的正相关性构建正相关矩阵，标签之间的负相关性构建负相关矩阵；

S4、计算出待测图片样本的近邻集合，并根据近邻集合构建待测正相关矩阵和待测负相关矩阵，其中待检测图片样本包括特征部分和标签部分，且标签部分为空；

S5、将待测正相关矩阵的每一列粒化，得到正相关数据粒；将待测负相关矩阵的每一列粒化，得到负相关数据粒；

S6、构建引力模型，并通过待测图片样本与正相关数据粒和负相关数据粒之间的引力关系进行分类。

优选的，步骤S2包括：

S21、对于任一训练图片样本x_t，其特征部分为X_i、标签部分为Y_i，训练图片样本x_t表示为x_t＝{(X_i,Y_j)|1≤i≤d,X_i∈F；1≤j≤q,Y_j∈L},1≤t≤m；

S22、计算训练图片样本x_t与训练图片样本集中其他训练图片样本的距离，并将该距离按照升序排序，其中两个训练图片样本之间的距离表示为

S23、选取排序结果中前k个，作为训练图片样本x_t的近邻集合；