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：北京化工大学

摘要：基于自步超图学习的小样本图像分类方法属于计算机视觉研究领域。本发明利用超图学习作为分类器来推断未标记数据的伪标签，并采用分类可靠性准则来减轻有伪标签噪声的影响。国内外目前还没有类似文献报道。本方法首先引入拉普拉斯算子将原始数据编码到超图空间中，有助于减少分类时对特征的依赖，然后将超图表示投影到标签空间中进行预测。其次，设计了一种自步学习算法，该算法利用引入的超图学习来推断未标记数据的伪标签，并采用分类可靠性准则，即将具有最可靠预测的数据用于更新分类器，这主要是为了减轻有噪声伪标签的影响。本发明在小样本数据集上能达到最高的预测准确率，对小样本图像分类任务具有重要的意义。

主权项：1.基于自步超图学习的小样本图像分类方法，其特征在于包括：超图构建、分类模块、自步超图学习；首先给出小样本学习的定义，在小样本学习中，有两个集合：一个基类集Cbase和一个新类别集Cnovel；两个类别集不重叠，即定义基本数据集和新数据集为Dbase，Dnovel；在预训练阶段，使用Dbase来训练特征提取器；采用Dnovel来评价小样本分类的性能；每个小样本任务都有一个支持集S、一个查询集Q和一个未标记集U；具体步骤如下：1在基于超图的小样本图像分类中，第一步是构造超图；给定m个标记支持样本S和n个未标记的查询样本Q；将这些支持样本和查询样本提取特征得到特征嵌入其中xi表示第i个特征嵌入，d和n+m表示样本的尺寸和数量；超图G＝V,E,w由节点集V、边集E和边的权值w组成；每条边e被赋予一个权值we；V中每个节点代表{S,Q}中的一个样本；总共有n+m个节点；在E中，选择最近邻搜索方法来构建超边；每次选择一个节点作为质心，并使用相应的超边e将其与k个最近的相邻节点连接起来；超图G用一个|V|×|E|关联矩阵H表示，矩阵中的每一项定义为 节点v∈V的节点的度计算为： 超边e∈E的超边的度计算为： 然后生成两个对角矩阵Dv和De，对角线上的每一项分别对应于节点的度和超边的度；并且生成对角线矩阵W，对角线上的每一项对应于超边权值；其中，所有超边都是用相同的权值初始化的；2利用构建的超图进行分类；设表示所有训练样本的标签矩阵，其中表示实数，n+m表示样本的数量，nc为数据集的类别数，yi表示第i类的标签向量，对于标记的样本，每行yi将第i类的阳性样本标记为1，将所有其他样本标记为0；对于未标记的样本，所有元素设置为0.5，表示没有关于这些样本类别的先验信息；设表示标签投影矩阵，其中fi表示第i个样本待学习的标签投影向量；超图分类的正则化框架如下： 在上述框架中，λ是平衡超图结构正则项ΩF和经验损失RempF影响的权重参数，正则项ΩF表示为： 式中c表示类别，nc为数据集中的类别数量，e表示超边，E表示边集，we是边的权值，Hu,e和Hv,e为节点u和v的关联矩阵，δe是超边e的度，Fu,c和Fv,c为节点u和v的标签投影矩阵，du、dv分别为节点u，v的度，I为单位矩阵；其中,Dv是由dv组成的度矩阵,De是由δe组成的度矩阵，H是原始超图的关联矩阵,W是由we所组成的权重矩阵，F:,c为所有节点的标签投影矩阵；令Δ＝I-Θ，则Δ可视为归一化超图拉普拉斯算子；因此，有正则项ΩF：ΩF＝trFΤΔFtr表示矩阵的迹，经验损失项RempF定义为：RempF＝||F-Y||2超图学习的任务就变成了最小化以下两项的和：ΦF＝trFΤΔF+λ||F-Y||2通过对ΦF关于F求导，得到： 将λ设置为5，通过迭代过程直接求解上述方程；使用学习到的标签投影矩阵F来获得预测标签；3自步超图学习；利用查询数据Q和未标记数据U来提高监督学习的性能；对于转导设置，使用查询数据来优化的分类器，提高查询数据的分类性能；在半监督设置中，利用未标记的数据来优化查询数据Q的分类器；设定f·是预训练阶段在数据库上训练的特征提取器，Dnovel经过特征提取器后的相应嵌入定义为Xnovel＝fDnovel＝[Xs,Xq,Xu]，其中Xs＝fS，Xq＝fQ，Xu＝fU分别表示支持、查询和未标记数据的特征嵌入；过程由三个步骤组成:i利用支持特征Xs构造一个分类器，此分类器通过学习一个标签投影矩阵F来对不同的类别进行分类；接着，通过以下方法预测未标记数据特征的标签: 其中Yu表示预测的未标记数据的伪标签矩阵，Y表示所有训练样本的初始标签矩阵；然后预测U属于第p类:p＝idmax{Yu}其中idmax表示向量中最大值对应的索引；ii对伪标签矩阵中的值进行排序，然后选择置信度最高的未标记样本的特征嵌入Xselect，得到相应的标签向量Yselect；将伪标记的样本和标签扩充到支持集；接下来，生成新的超图；步骤描述为:Xs＝[Xs,Xselect]Ys＝[Ys,Yselect]其中，Ys表示支持集的独热标签矩阵；iii每次选择一个样本更新分类器；重复i，ii，直到选中所有未标记的数据，并对所有未标记数据输出可靠的伪标签矩阵，此时，得到的分类器是最优的，该分类器用于预测查询标签。

全文数据：

权利要求：

百度查询： 北京化工大学 基于自步超图学习的小样本图像分类方法