[發(fā)明專利]聯(lián)合低秩表示和稀疏回歸的學(xué)習(xí)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710648066.5
• 申請(qǐng)日: 2017-08-01
• 公開（公告）號(hào): CN107590505B
• 公開（公告）日: 2021-08-27
• 發(fā)明（設(shè)計(jì)）人: 劉安安;史英迪;蘇育挺
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 李林娟

本發(fā)明公開了一種聯(lián)合低秩表示和稀疏回歸的學(xué)習(xí)方法，所述方法包括以下步驟：對(duì)帶有圖像記憶度分?jǐn)?shù)標(biāo)簽的SUN數(shù)據(jù)集進(jìn)行特征提取。將低秩表示，結(jié)合稀疏回歸模型兩部分放在同一個(gè)框架下構(gòu)成一個(gè)整體，構(gòu)建聯(lián)合低秩表示和稀疏回歸模型；利用多視覺自適應(yīng)回歸算法來(lái)解決自動(dòng)預(yù)測(cè)圖像的可記憶性的問(wèn)題，在最優(yōu)參數(shù)下得到圖像特征和圖像記憶度的關(guān)系，并在最優(yōu)參數(shù)下得到關(guān)系結(jié)果，預(yù)測(cè)數(shù)據(jù)庫(kù)測(cè)試機(jī)圖像記憶度，并用相關(guān)評(píng)價(jià)標(biāo)準(zhǔn)來(lái)驗(yàn)證預(yù)測(cè)結(jié)果；本發(fā)明聯(lián)合低秩表示和稀疏回歸的低秩學(xué)習(xí)框架，準(zhǔn)確預(yù)測(cè)圖像區(qū)域的可記憶性。

技術(shù)領(lǐng)域

本發(fā)明涉及低秩表示和稀疏回歸領(lǐng)域，用于圖像的記憶度預(yù)測(cè)，尤其涉及聯(lián)合低秩表示和稀疏回歸的學(xué)習(xí)方法。

背景技術(shù)

人類有記住成千上萬(wàn)圖像的能力，然而并不是所有的圖像都以同樣的方式被儲(chǔ)存在大腦中。一些有代表性的圖片看一眼就能記住，而其他圖像很容易從記憶中消失。圖像記憶被用來(lái)測(cè)量在特定時(shí)間段之后圖像被記住或被遺忘的程度。以前的研究工作已經(jīng)表明，對(duì)圖片的記憶力和圖像的固有屬性有關(guān)，即對(duì)圖片的記憶力在不同的時(shí)間間隔內(nèi)以及在不同觀察者之間是一致性的。在這種情況下，就像研究許多其他高級(jí)圖像屬性(如人氣，興趣，情緒和美學(xué))一樣，一些研究工作開始探索圖像內(nèi)容表示和圖像記憶之間的潛在相關(guān)性。

分析圖像可記憶性可以應(yīng)用在諸如用戶界面設(shè)計(jì)、視頻摘要、場(chǎng)景理解和廣告設(shè)計(jì)等幾個(gè)領(lǐng)域中。例如，可以通過(guò)選擇有意義的圖像來(lái)將可記憶性用作引導(dǎo)標(biāo)準(zhǔn)來(lái)總結(jié)圖像集合或視頻。通過(guò)提高消費(fèi)者對(duì)目標(biāo)品牌的記憶，可以設(shè)計(jì)難忘的廣告幫助商人擴(kuò)大影響力。

近來(lái)，低秩表現(xiàn)(LRR)已經(jīng)成功應(yīng)用于多媒體和計(jì)算機(jī)視覺領(lǐng)域。為了更好地處理特征表示問(wèn)題，LRR用于通過(guò)將原始數(shù)據(jù)矩陣分解為低秩表示矩陣，同時(shí)消除不相關(guān)的細(xì)節(jié)，揭示嵌入數(shù)據(jù)中的底層低秩子空間結(jié)構(gòu)。傳統(tǒng)方法通常不足以進(jìn)行異常值的處理。為了解決這個(gè)問(wèn)題，最近有一些研究也著重于稀疏回歸學(xué)習(xí)。

然而，這些方法的主要缺點(diǎn)之一是特征表示和記憶預(yù)測(cè)在兩個(gè)分開的階段進(jìn)行。也就是說(shuō)，當(dāng)確定用于圖像可記憶性預(yù)測(cè)的特征組合的圖案時(shí)，回歸步驟的最終性能主要由處理的特征決定。雖然參考文獻(xiàn)[1]提出了聯(lián)合低秩和稀疏回歸的特征編碼算法來(lái)處理異常值。同樣，參考文獻(xiàn)[2]開發(fā)了一種聯(lián)合圖嵌入和稀疏回歸框架。但它們都是為視覺分類問(wèn)題設(shè)計(jì)的，而不是圖像記憶預(yù)測(cè)任務(wù)。

發(fā)明內(nèi)容

本發(fā)明提供了一種聯(lián)合低秩表示和稀疏回歸的學(xué)習(xí)方法，本發(fā)明聯(lián)合低秩表示和稀疏回歸的學(xué)習(xí)框架，準(zhǔn)確預(yù)測(cè)圖像區(qū)域的可記憶性，詳見下文描述：

一種聯(lián)合低秩表示和稀疏回歸的學(xué)習(xí)方法，所述方法包括以下步驟：

對(duì)帶有圖像記憶度分?jǐn)?shù)標(biāo)簽的SUN數(shù)據(jù)集進(jìn)行特征提取；

將低秩表示和結(jié)合稀疏回歸模型兩部分放在同一個(gè)框架下構(gòu)成一個(gè)整體，構(gòu)建聯(lián)合低秩和稀疏回歸的模型；

利用多視覺自適應(yīng)回歸算法解決自動(dòng)預(yù)測(cè)圖像的可記憶性的問(wèn)題，在最優(yōu)參數(shù)下得到圖像特征和圖像記憶度的關(guān)系；

組合圖像提出的特征，利用在最優(yōu)參數(shù)下得到的關(guān)系結(jié)果，預(yù)測(cè)數(shù)據(jù)庫(kù)測(cè)試集圖像記憶度，并用相關(guān)評(píng)價(jià)標(biāo)準(zhǔn)來(lái)驗(yàn)證預(yù)測(cè)結(jié)果。

所述方法還包括：獲取圖像可記憶性數(shù)據(jù)集。

所述特征包括：尺度不變特征變換特征、搜索樹特征、方向梯度直方圖特征、以及結(jié)構(gòu)相似性特征。

所述聯(lián)合低秩和稀疏回歸的模型具體為：

其中：