[发明专利]多决策融合的小样本图像分类方法

权利要求书

1.一种多决策融合的小样本图像分类方法，其特征在于，所述方法包括：

使用训练数据训练卷积神经网络来提取图像特征，训练好后固定网络参数；

通过直接优化分类器目标函数得到分类器，利用预测公式预测测试样本的类别，其中，所述分类器目标函数为：

其中，din和N分别表示样本的尺寸和数量，C表示类别数，x_i，y_i(i＝1，2，...)表示第i个样本的嵌入特征向量和标签向量；表示要学习的分类器；||·||_F表示对(·)做正则化；μ表示分类器W约束项的权重；

所述分类器W为：

W＝(X^TX)^-1X^TY

所述预测公式为：

C(x_t)＝max{Wx_t}

其中，表示一个测试样本；max表示获取向量中最大值索引的操作符；

引入不同视角样本的多种特征表示，通过权重组合目标函数求解最优权重组合，根据最优权重组合并利用所述预测公式来预测测试样本的类别，每个视角通过所述预测公式得到一个决策，其中，所述权重组合目标函数为：

其中，V表示视角总数，Ω＝[Ω¹，Ω²，...，Ω^V]^T，Ω^v表示第v种视角的权重，表示第v种视角的损失，η表示调节参数，且为一个常数；

根据最优权重组合并利用所述预测公式预测的测试样本的类别为：

其中，x_t表示测试样本，W^v＝(X^vTX^v)^-1X^vTY，x_t^v表示x_t的第v种视角的嵌入特征；

将多决策融合的小样本图像特征扩展到归纳设置或半监督设置或转导设置，利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测，所述预测公式为：

其中，表示的第v种视角的特征，分别表示支持集数据、未标记数据和查询集数据在第v种视角上的特征嵌入；表示第v种视角上支持数据的标签矩阵；表示一个超参数；η表示调节参数，且为一个常数；表示元测试数据。

2.根据权利要求1所述的图像分类方法，其特征在于，所述通过权重组合目标函数求解最优权重组合，具体为：在所述权重组合目标函数基础上引入拉格朗日量，并采用牛顿法，获得最优权重组合，其中，第v种视角的最优权重为：

其中，η表示调节参数，且为一个常数；A＝[Λ¹，Λ²，...，Λ^V]^T是一个向量，表示Λ的最优解，表示的平均值。

3.根据权利要求1或2所述的图像分类方法，其特征在于，所述将多决策融合的小样本图像特征类方法扩展到归纳设置，利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测，具体为：

采用支持集对分类器进行训练，利用预测公式直接预测查询集的类别。