[發明專利]一種基于跨類別遷移主動學習的圖像分類方法

有效

• 申請號: 201610021429.8
• 申請日: 2016-01-13
• 公開（公告）號: CN105701509B
• 公開（公告）日: 2019-03-12
• 發明（設計）人: 丁貴廣;郭雨晨;李長青;孫鵬
• 申請（專利權）人: 清華大學;北京恒冠網絡數據處理有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 石友華

1.一種基于跨類別遷移主動學習的圖像分類方法,其特征在于，包括如下步驟：

步驟S1：利用特征抽取工具分別對輔助類別數據中的圖像與目標類別數據中的有標注圖像和無標注圖像進行向量化特征表示，得到輔助類別圖像特征向量和目標類別圖像特征向量；

步驟S2：分別針對輔助類別數據和目標類別數據構建出輔助類別屬性表示和目標類別屬性表示；

步驟S3：利用步驟S1中得到的輔助類別圖像特征向量和目標類別圖像特征向量，以及步驟S2中得到的輔助類別屬性表示和目標類別屬性表示構造目標函數；

該步驟中所構造出的目標函數為：

其中，α和β是控制各部分在目標函數中權重的超參數；

表示一個矩陣所有元素的平方和；

為加權的數據，表示目標類別數據中各個圖像的權重；

為步驟S1中所述的輔助類別圖像特征向量構成的矩陣；

為步驟S1中所述的目標類別圖像特征向量構成的矩陣；

為輔助類別數據中每個圖像所對應的類別向量構成的矩陣；

為輔助類別數據中每個輔助類別屬性向量構成的矩陣，所述輔助類別屬性向量為所述步驟S2中輔助類別屬性表示的一種表示方法；

為目標類別數據中每個目標類別屬性向量構成的矩陣，所述目標類別屬性向量為所述步驟S2中目標類別屬性表示的一種表示方法；

為待預測的目標類別數據中每個圖像所對應的類別向量構成的矩陣；

V為待預測的生成函數的參數；

為目標類別數據中無標注圖像所對應的類別向量；

L為目標類別數據中的有標圖像集，為目標類別數據中無標圖像集；

步驟S4：利用迭代式的優化方法求解上一步得到的目標函數，并得到生成函數；

具體包括如下步驟：

(1)優化Y_t：將V固定，所述目標函數對于Y_t為行解耦，對矩陣式目標函數的每一行進行單獨處理，目標函數對于目標類別數據中無標注圖像對應的類別向量的部分如下：

優化Y_t的公式如下：

(2)優化V：在Y_t固定的條件下，進行如下定義：

目標函數進行如下近似：

上式對于V的導數如下：

再令上述導數為0，可以得到優化V的公式如下：

V＝(X'X+βI)^-1X'YA(A'A)^-1

按上述方法不斷迭代優化V和直至目標函數的值收斂，同時得到生成函數參數V；

步驟S5：利用上一步得到的生成函數以及步驟S2中得到的目標類別屬性表示，直接產生各個目標類別對應的分類模型；

步驟S6：判斷步驟S5中得到的分類模型的準確性是否符合要求，如果符合結束本次學習，如果不符合轉下一步；

步驟S7：利用步驟S5中得到的分類模型，計算目標類別數據中所有無標注圖像的不確定性，并按不確定性從大到小進行排序；

步驟S8：選取上一步中不確定性最大的無標注圖像進行標注，將無標注圖像轉化為有標注圖像；

步驟S9：對目標類別數據中圖像的權重進行更新；然后轉步驟S3。

2.如權利要求1中所述的一種基于跨類別遷移主動學習的圖像分類方法，其特征在于，所述步驟S2：分別針對輔助類別數據和目標類別數據構建出輔助類別屬性表示和目標類別屬性表示中，利用維基百科上學習出的單詞表示作為類別屬性表示。

3.如權利要求1中所述的一種基于跨類別遷移主動學習的圖像分類方法，其特征在于,所述步驟S5中各個目標類別對應的分類模型的計算公式為:

其中