[發(fā)明專利]基于多任務(wù)協(xié)同學(xué)習(xí)的圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110253803.8
• 申請(qǐng)日: 2021-03-02
• 公開(kāi)（公告）號(hào): CN113033626B
• 公開(kāi)（公告）日: 2022-04-26
• 發(fā)明（設(shè)計(jì)）人: 聶飛平;常偉;王榕;李學(xué)龍
• 申請(qǐng)（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06V10/771;G06K9/62
• 代理公司: 西安凱多思知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61290
• 代理人: 王鮮凱

1.一種基于多任務(wù)協(xié)同學(xué)習(xí)的圖像分類方法，其方法主要步驟如下：

步驟1：對(duì)于給定的不同類型的圖像分類數(shù)據(jù)集，以每類數(shù)據(jù)集為一項(xiàng)分類任務(wù)，首先對(duì)所有任務(wù)數(shù)據(jù)集進(jìn)行降維預(yù)處理，使不同任務(wù)的數(shù)據(jù)樣本維度一致；然后從預(yù)處理后的每類數(shù)據(jù)集中隨機(jī)選取30％～50％的樣本構(gòu)成訓(xùn)練集，用來(lái)對(duì)模型進(jìn)行訓(xùn)練，剩余樣本構(gòu)成測(cè)試集，用來(lái)驗(yàn)證模型性能；所述的降維預(yù)處理方法采用降采樣方法或主成分分析方法；

步驟2：構(gòu)建包含新式低秩約束項(xiàng)的優(yōu)化模型如下：

其中，為第t個(gè)任務(wù)的數(shù)據(jù)矩陣，x_p^t表示數(shù)據(jù)矩陣X_t的第p個(gè)樣本，p＝1,2,…,n_t，d表示數(shù)據(jù)樣本維度，n_t表示第t個(gè)任務(wù)包含的樣本數(shù)量；為第t個(gè)任務(wù)的標(biāo)簽矩陣，其列向量y_p^t表示第p個(gè)樣本x_p^t的標(biāo)簽向量，當(dāng)樣本x_p^t屬于第j類時(shí)，則否則表示向量y_p^t的第j個(gè)元素，c_t表示第t個(gè)任務(wù)包含的樣本類別總數(shù)，表示第t個(gè)任務(wù)需要學(xué)習(xí)的映射矩陣，W＝[W₁,W₂,…,W_T]∈R^d×c為具有最優(yōu)低秩結(jié)構(gòu)的整體映射矩陣，c為所有任務(wù)數(shù)據(jù)集包含的樣本類別總數(shù)，T表示任務(wù)總數(shù)；f(W_t^TX_t,Y_t)表示多分類模型SVM的損失函數(shù)；λ為懲罰參數(shù)，可取值范圍為[10^-2,10²]，σ_i(W)為矩陣W的第i個(gè)最小奇異值，k表示矩陣W的前k個(gè)最小奇異值的個(gè)數(shù)；

所述多分類模型SVM的損失函數(shù)f(W_t^TX_t,Y_t)為：

其中，表示Hadamard積，1_t為對(duì)應(yīng)于第t個(gè)任務(wù)中元素全為1的列向量，b_t≥0為對(duì)應(yīng)于任務(wù)t的SVM損失函數(shù)的偏移向量，M_t≥0為對(duì)應(yīng)于任務(wù)t的SVM損失函數(shù)的偏移矩陣；

步驟3：按照以下過(guò)程求解上述優(yōu)化模型，得到最優(yōu)低秩結(jié)構(gòu)的整體映射矩陣W、映射矩陣W_t和偏移向量b_t：

步驟3.1：根據(jù)Ky Fan定理將優(yōu)化模型等價(jià)轉(zhuǎn)化為如下優(yōu)化問(wèn)題：

其中，矩陣F為中間約束矩陣；

步驟3.2：初始化懲罰參數(shù)λ＝100，通過(guò)公式W_t＝X_tY_t^T初始化W_t；設(shè)置初始化偏移向量b_t為零向量，設(shè)置初始化偏移矩陣M_t為零矩陣；

步驟3.3：固定W、b_t、M_t，按下式更新矩陣F：

步驟3.4：分別按下式更新映射矩陣W_t和偏移向量b_t：

其中，

步驟3.5：按下式更新偏移矩陣M_t：

步驟3.6：按照計(jì)算每次更新后的優(yōu)化目標(biāo)函數(shù)值I，如果前后兩次迭代得到的目標(biāo)函數(shù)值之差小于10^-6，停止更新，此時(shí)得到的W即為最優(yōu)的映射矩陣，W_t為任務(wù)t對(duì)應(yīng)的最優(yōu)映射矩陣，b_t為任務(wù)t對(duì)應(yīng)的最優(yōu)偏移向量；否則，返回步驟3.3進(jìn)行下一次迭代更新；

步驟4：首先，按照計(jì)算得到圖像數(shù)據(jù)集X_t的連續(xù)化分類結(jié)果對(duì)于數(shù)據(jù)集中的每一個(gè)樣本x_p都得到一個(gè)預(yù)測(cè)序列表示矩陣的第p個(gè)列向量，p＝1,2,…,n_t；然后，使用max函數(shù)將樣本的預(yù)測(cè)序列進(jìn)行離散化，即對(duì)于第p個(gè)樣本x_p，按下式計(jì)算其分類標(biāo)簽向量

其中，[y_p]_j表示向量y_p的第j個(gè)元素，j＝1,...,c_t；

所有樣本的分類標(biāo)簽向量構(gòu)成輸入圖像數(shù)據(jù)集X_t的分類標(biāo)簽矩陣