[发明专利]基于多头特征协作的小样本图像分类方法

权利要求书

1.一种基于多头特征协作的小样本图像分类方法，其特征在于，所述方法包括：

采用卷积神经网络提取图像特征；

通过直接优化第一目标函数训练分类器，利用分类器预测测试样本的类别，其中，所述第一目标函数为：

其中，dim1和N分别表示样本的尺寸和数量，C表示类别的数量，x_n，y_n(n＝1，2，...，N)表示n_th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＝YX^T(XX^T+μI)^-1

其中，I表示一个单位矩阵；

所述测试样本特征的类别为：

其中，max表示获取向量中最大值索引的操作符；

引入子空间学习方法，将原始的多头特征重构到统一的低维度空间，通过学习子空间得到新的嵌入特征；其中，多头特征表示同时使用多种特征提取器提取的图像嵌入特征；

求解新的嵌入特征中的最优权重组合；

通过第一公式计算最终的协作特征，计算最终协同分类器并根据最终协同分类器预测协作特征的类别，其中，所述第一公式为：

其中，表示最终的协作特征，表示P^h和Z^h的第n个特征；Ω＝[Ω¹，Ω²，...，Ω^H]^T表示最优的权重组合，表示第h种特征的权重，H表示特征的种类数量，P_n表示第n个图像的嵌入特征，至表示与至一一对应的最优组合权重，表示第H种特征的第n个特征；

所述最终协同分类器为：

W_z＝YZ^T(ZZ^T+μI)^-1

其中，为最终协同分类器；

所述预测协作特征的类别为：

其中，为测试样本特征的协作特征；

将多头特征协作的小样本图像特征分类扩展到半监督设置，利用无标签数据来加强分类器，利用最优分类器预测查询标签的类别，所述查询标签的类别为：

其中，Z_q表示查询集数据的协作特征。

2.根据权利要求1所述的图像分类方法，其特征在于，所述求解新的嵌入特征中的最优权重组合，具体为：采用新的嵌入特征和新的分类器重新计算第一目标函数在第h种特征上的损失采用第二目标函数计算最优权重组合，其中，所述第一目标函数在第h种特征上的损失为：

其中，P^h表示新的嵌入特征，表示新的分类器；

所述第二目标函数为：

其中，Ω＝[Ω¹，Ω²，...，Ω^H]^T表示最优的权重组合，Ω^h表示第h种特征的权重，||·||₂表示l₂正则化，l₂表示对向量中所有元素求平方和再开根号，η是参数；

采用第二目标函数计算得到的第h种特征的最优权重为：

其中，为第h种特征的最优权重，H表示特征的种类数量，F^h表示第h种特征的函数损失，Λ＝[Λ¹，Λ²，...，Λ^H]^T表示一个向量，表示Λ的最优解，表示的平均值。

3.根据权利要求2所述的图像分类方法，其特征在于，所述采用第二目标函数计算最优权重组合，具体为：在第二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。

4.根据权利要求1所述的图像分类方法，其特征在于，所述将多头特征协作的小样本图像特征分类扩展到半监督设置，利用无标签数据来加强分类器，具体为：

利用支持集数据每种特征训练基本分类器，得到分类器：

其中，表示的第h种特征，其中和分别表示支持集数据、无标签数据和查询集数据，表示的特征，是利用支持集数据训练得到的分类器，Y_s是支持集数据的标签矩阵，表示测试集数据；

利用支持集数据每种特征获得支持集协作特征和支持集协同分类器，采用第二公式预测无标签数据其中，所述第二公式为：

其中，Z_u表示无标签数据的协作特征，表示和Z_u无标签样本的协作特征，z_un表示在Z_u中的第n种特征，Y_pseudo表示无标签数据预测的软伪标签；

通过无标签数据预测的软伪标签选择一个最可信的样本，并扩充到支持集，重复训练得到性能稳定的最优分类器；

利用最优分类器预测查询标签的类别，所述查询标签的类别为：

其中，Z_q表示查询集数据的协作特征。