[發明專利]基于lp

有效

• 申請號: 201810041251.2
• 申請日: 2018-01-16
• 公開（公告）號: CN108664986B
• 公開（公告）日: 2020-09-04
• 發明（設計）人: 王瑜;周文;張娜
• 申請（專利權）人: 北京工商大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 張潤

1.一種基于l_p范數正則化的多任務學習圖像分類方法，其特征在于，包括以下步驟：

獲取不同地區的同類圖像，并對所述同類圖像進行預處理，以獲取多組數據中心圖像；

對所述多組數據中心圖像分別通過紋理特征和邊緣特征進行描述或定義，以獲取圖像特征矩陣和類別標簽矩陣,所述對所述多組數據中心圖像分別通過紋理特征和邊緣特征進行描述或定義，以獲取圖像特征矩陣和類別標簽矩陣，進一步包括：利用灰度共生矩陣提取所述紋理特征，其中，所述灰度共生矩陣提供圖像的灰度方向、間隔和變化幅度的統計信息；利用Canny算子提取所述邊緣特征；將圖像特征表示為X_k＝[x₁,x₂,...,x_n]∈R^d×n,k＝1,2,...,t，t為監督學習任務個數，n為輸入樣本數據的個數，d為樣本特征向量的維數；將圖像標簽集表示為Y_k＝[y₁,y₂,...,y_n]∈Rⁿ,k＝1,2,...,t，其中y_i∈{+1,-1}為第k個任務中每個樣本的類別標簽，i＝1,2,…,n；設置t個監督學習任務的權重系數矩陣為w＝[w₁,w₂,...,w_t]∈R^d×t；

選擇基于支持向量機的多任務學習算法設計分類器，并選擇l_p范數進行正則化，并且設計目標函數，其中，所述選擇l_p范數進行正則化，進一步包括：添加正則化項后的多任務學習支持向量機模型的目標函數為：采用0-1損失函數，λΩ(W)為正則化項；類比l₀范數、l₁范數和l_p范數，所述l₁范數為所述l₀范數為||x||₀＝#(i)with x_i≠0，所述l_p范數為并且，所述設計目標函數，進一步包括：模型中有t個任務，第k個任務樣本個數為n,目標函數為γ為正則化參數，u＝(u_k:k)∈R^n×d，J(u)是參數向量u的齊二次方程且J(u)＝u'Eu；當時，函數其中t個任務之間是獨立學習；以及

優化分類算法的目標函數，以確定輸入圖像的最終類別。

2.根據權利要求1所述的基于l_p范數正則化的多任務學習圖像分類方法，其特征在于，所述選擇基于支持向量機的多任務學習算法設計分類器，進一步包括：

確定支持向量機分類決策函數為：a_i≥0為拉格朗日乘子；

核函數采用高斯核函數σ為函數的寬度參數。

3.根據權利要求2所述的基于l_p范數正則化的多任務學習圖像分類方法，其特征在于，所述確定輸入圖像的最終類別，進一步包括：

所述l_p范數計算公式為:其中，p＞0；

加入所述l_p范數的正則項的多任務學習支持向量機目標函數公式為：

利用子梯度法對所述目標函數進行求解，即：w_h+1＝w_h+η_hF'(w_h)其中，其中w_h是第h次迭代的結果，η_h為步長，通常取表示函數F(w)在w處的子梯度；

利用隨機梯度下降法：優化分類算法，沿著所述目標函數J(u)參數θ∈R的梯度相反方向不斷更新模型參數，直至到達所述目標函數的極小值點，更新步長為η。