买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)

摘要：本发明公开一种不完备多视图不完备多标签分类方法和装置，包括：步骤S1、获取多视图多标签数据训练集及其对应的视图与标签缺失位置信息；步骤S2、将多视图数据训练集及其对应的视图与标签缺失位置信息作为不完备多视图多标签分类深度神经网络模型的输入，根据深度神经网络模型训练损失函数，得到输入数据在深度神经网络模型的总损失；步骤S3、将待处理的多视图数据及其对应的缺失视图位置信息输入到具有所述总损失函数的深度神经网络模型中进行不完备多视图数据的多标签分类。采用本发明的技术方案，以双分支深度神经网络模型作为框架，通过对比学习的方法提升嵌入特征的鉴别能力，进而提升模型在不完备多视图多标签分类任务上的分类性能。

主权项：1.一种不完备多视图不完备多标签分类方法，其特征在于，包括：步骤S1、获取多视图数据训练集及其对应的缺失视图与缺失标签位置信息；步骤S2、将多视图数据训练集及其对应的视图与标签缺失位置信息作为不完备多视图多标签分类深度神经网络模型的输入，根据深度神经网络模型训练损失函数，得到输入数据在深度神经网络模型的总损失，其中，所述总损失函数包含：多视图跨分支对比损失、重构损失、图约束损失和多标签交叉熵损失；步骤S3、将待处理的多视图数据及其对应的缺失视图位置信息输入到具有所述总损失函数的深度神经网络模型中进行不完备多视图数据的多标签分类；多视图跨分支对比损失为： 其中，是相似度度量函数x和y泛指该函数的输入，其为和和分别为第i个样本在第v个视图上对应的共享和专有特征向量，1[γ]表示条件函数，当条件{γ：Wi，uWi，v＝1}成立时，1[γ]＝1，反之1[γ]＝0，N＝∑u，vWi，uWi，v代表可用实例对数量，n表示输入数据的样本个数，m表示输入多视图数据的视图个数，W是一个n行m列的矩阵，存储了输入数据的视图缺失位置信息，Wi，u表示其第i行第u列的元素，若输入数据的第i个样本的第u个视图缺失，则Wi，u＝0，否则Wi，u＝1；重构损失为： 其中，n是输入数据的样本个数，dv是输入数据第v个视图数据的特征维度，表示第i个样本的第v个视图原始输入数据，表示经过深度神经网络模型重构的数据，m表示输入多视图数据的视图个数；图约束损失如下： 其中，T表示从标签矩阵中提取的样本邻接矩阵，n是输入数据的样本个数，Z是加权融合后的共享特征和视图专有特征的拼接，Zi，：和Zj，：分别表示Z的第i行和第j行向量；多标签交叉熵损失为： 其中，n是输入数据的样本个数，c是输入数据的类别数，G为输入数据对应标签矩阵的缺失位置指示矩阵，Gi，j＝1表示第i个样本的第j个标签是可用的，反之则表示该样本是否含有这个标签是未知的，P∈Rn×c为输入数据经过深度神经网络模型后的分类预测结果矩阵，Y是输入训练数据对应的标签矩阵。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种不完备多视图不完备多标签分类方法和装置