[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

本發明公開了一種基于l_p范數正則化的多任務學習圖像分類方法及系統，其中，方法包括：獲取不同地區的同類圖像，并對同類圖像進行預處理，以獲取多組數據中心圖像；對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；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；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。該方法可以采用l_p范數進行正則化，從而可以提高分類過程的效率和效果，并能使優化過程讓過程更簡單，有效的降低模型的計算復雜度，提高分類準確率和可靠性。

技術領域

本發明涉及圖像識別處理技術領域，特別涉及一種基于l_p范數正則化的多任務學習圖像分類方法及系統。

背景技術

機器學習作為人工智能領域的核心研究課題之一，近年來取得了快速發展。多任務學習是一種機器學習方法，由歸納偏置問題發展而來，是利用任務間共享有用信息，同時對多個任務作并行學習的一種方法。結合正則化方法、隨機過程、支持向量機和深度學習等技術來進行多任務學習建模的方法已廣泛應用于語音處理、疾病預測、圖像處理、數據挖掘等領域。

圖像是人類獲取外界信息非常重要知識來源，在人類接收的外界信息中，有70％以上來自圖像，因此在計算機視覺、遙感、生物、醫學等學科中，圖像分類是研究的重點之一。但是在實際的圖像分類的應用中經常會遇到這種情況，樣本的規模和維數很大，但是訓練樣本數目很少，傳統的圖像分類方法的精度都不高。此時，應用機器學習中的多任務學習方法可以有效解決這個問題。

多任務學習的特點是同時學習現實世界的多個相關任務，并利用它們之間的關聯關系來提高系統的整體學習性能。多任務學習系統的分類性能優于單任務學習系統，因為多任務學習過程中考慮了多個任務的關聯關系，在同時訓練多個任務時，模型利用任務間的共享信息增強系統的歸納偏置能力。從多任務學習角度考慮，同時選擇訓練樣本的一些共有特征去表示測試樣本比單獨的一個特征或樣本更能提高分類準確率。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的一個目的在于提出一種基于l_p范數正則化的多任務學習圖像分類方法，該方法可以提高多任務學習圖像分類速度和準確率且模型簡單易優化。

本發明的另一個目的在于提出一種基于l_p范數正則化的多任務學習圖像分類系統。

為達到上述目的，本發明一方面實施例提出了一種基于l_p范數正則化的多任務學習圖像分類方法，包括：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；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；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。

本發明實施例的基于l_p范數正則化的多任務學習圖像分類方法，在對獲取的不同地區的同類圖像進行預處理得到多組數據中心圖像，通過紋理特征和邊緣特征定義得到圖像特征矩陣和類別標簽矩陣，選擇基于支持向量機的多任務學習算法設計分類器和l_p范數進行正則化，從而提高分類的效率和精度，且過程簡單易于優化，隨后通過對分類算法的目標函數進行優化得到輸入圖像的最終類別，具有分類效率高、精度高，降低模型計算復雜度，且易于優化的優點。

另外，根據本發明上述實施例的基于l_p范數正則化的多任務學習圖像分類方法還可以具有以下附加的技術特征：