[發明專利]一種基于字典域適應的遷移稀疏編碼圖像分類方法

有效

• 申請號: 201810872204.2
• 申請日: 2018-08-02
• 公開（公告）號: CN109308485B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 王雪松;李澤軍;臧紹飛;程玉虎
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/77;G06V10/772
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

本發明公開了一種基于字典域適應的遷移稀疏編碼圖像分類方法，屬于機器學習領域。該方法在傳統稀疏編碼模型基礎上引入字典對齊機制，構造特征遷移分類模型，來解決圖像跨領域分類問題。源域和目標域樣本服從不同分布時，傳統稀疏編碼圖像分類算法，因無法從源域樣本學習獲取對目標域樣本有效編碼的字典，導致分類性能下降。本發明首先將字典對齊機制引入稀疏編碼模型，其次采用L₂正則化將字典約束項轉化為無約束優化問題，并采用領域間字典逼近作為正則化項提升模型的知識遷移性能。本發明能有效抽取跨領域圖像稀疏特征表示，獲取更高的分類精度。

技術領域

本發明屬于機器學習領域，具體涉及一種基于字典域適應的遷移稀疏編碼圖像分類方法。

背景技術

采用機器學習方法進行圖像分類是機器視覺和模式識別領域的熱門研究課題。圖像分類技術是指借助計算機對圖像數據進行特征提取，形成一種對圖像內容的描述，并根據這種描述對圖像所屬類別進行劃分的圖像處理方法。該技術具有廣闊的應用前景，例如：互聯網領域中基于內容的圖片檢索、個人圖庫自動歸類、醫學領域的圖像識別或者安防領域中人臉識別和智能視頻分析等。當前，研究者們已經提出了許多基于數據驅動的圖像分類算法，即通過大量已標記數據對分類器進行訓練和學習，將得到的分類模型對測試樣本進行類別標簽預測，其中較為常用的分類算法有：感知機、Logistic回歸、K近鄰，貝葉斯、決策樹、支持向量機等。

圖像分類過程中，特征提取是獲取圖像表示的重要環節，它將原始圖像數據轉化為一組具有明顯物理意義的信息，如幾何、紋理或統計意義特征等。良好的特征提取可以挖掘輸入圖像許多更有意義的潛在信息，有益于對圖像內容產生更深入的理解，同時也有助于訓練并獲取高精度的分類模型。稀疏編碼作為起源于對人類視覺系統識別過程探索的仿生學方法，可以對圖像去除繁雜冗余信息，獲取原始信息最本質的特征表示，受到了研究者廣泛關注。

稀疏編碼是對生物視覺識別自然圖像過程的簡單模擬。研究人員發現，雖然生物視覺系統神經元縱橫交錯、數目巨大，但是面對外界刺激響應時呈現稀疏特性，即僅有少數視覺神經元處于激活狀態。這種稀疏性編碼方式符合自然界生物進化普遍存在的能量消耗最小化策略，在面對復雜圖像時，能夠提供對繁雜冗余信息的簡單表達與本質性描述，具有很好的去冗余與可解釋性。稀疏編碼作為一種高效圖像特征提取算法，在信號處理、圖像分類及人臉識別等領域獲得廣泛關注，并取得良好效果。

機器學習雖然已經取得令人矚目的成果，但與人類學習能力相比，還存在較大缺陷。目前，傳統基于特征的圖像分類算法，為獲取高準確性與可靠性分類器，通常存在兩個基本假設：(1)訓練樣本與測試樣本必須服從相同的概率分布或者位于相同特征空間；(2)必須有足夠多的標記樣本。然而在許多實際應用中，對描述同一目標對象隨著時間推移和周圍環境變化，會產生不同程度的差異。此時，需要重新收集標記樣本訓練分類模型，但收集大量標記樣本非常耗時耗力且代價昂貴；另外，標記樣本也因難以獲取造成數量稀少，導致出現所抽取特征表達能力有限的問題。

稀疏編碼作為一種強有力的高層特征提取工具，在面對復雜輸入圖像時，能夠提供對圖像的簡單表示。然而在實際應用中，隨著信息和圖像規模的與日俱增，通常因為測試環境中光照、位移、角度等因素的變化，使得訓練和測試樣本的分布存在差異，導致傳統稀疏編碼圖像分類模型在跨領域圖像分類場景下性能驟降，難以獲得令人滿意的效果。

遷移稀疏編碼圖像分類技術采用遷移學習思想，通過發掘不同但相關領域間不變的特征和結構并充分利用已有資源，構建稀疏特征遷移模型，將其他相關任務中的知識遷移至標記樣本稀少的目標任務，幫助提升目標任務的學習效率。遷移稀疏編碼圖像分類技術將稀疏編碼與遷移學習技術相結合，是實現稀疏特征在不同領域間進行重復利用的新技術。

發明內容

本發明所要解決的技術問題是：