一种基于超限隐特征模型的盲领域图像样本分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109934304A(43)申请公布日2019.06.25(21)申请号201910228715.5(22)申请日2019.03.25(71)申请人重庆邮电大学地址400065重庆市南岸区崇文路2号(72)发明人郭坦张磊谭晓衡杨柳鲁银芝梁志芳胡昊(74)专利代理机构成都时誉知识产权代理事务所(普通合伙)51250代理人陈千(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于超限隐特征模型的盲领域图像样本分类方法(57)摘要本发明公开了一种基于超限隐特征模型的盲领域图像样本分类方法，该方法采用了跨领域数据生成与增广策略，高效地降低不同数据领域之间的偏差。具体地说，超限隐特征模型将ELM和ELM-AE(基于ELM的自编码器)纳入统一的优化模型，继承了ELM和ELM-AE的优点，并且可以在保护原始数据信息的情况下得到良好的图像分类和图像重建效果，具有图像分类能力和图像重建能力，且能够更好地揭示原始图像数据和高级语义之间的潜在关系，减少信息丢失，提高图像分类精度。本发明利用超限隐特征模型解决盲领域适配问题，融合跨领域知识，有效降低不同领域数据之间的领域偏差，提高了盲领域数据分类准确率。CN109934304ACN109934304A权利要求书1/2页1.一种基于超限隐特征模型的盲领域图像样本分类方法，其特征在于，包括如下步骤：S1：源领域超限隐特征模型训练阶段，获取用于进行模型训练的源领域图像数据矩阵Xsource、相应的标签矩阵Tsource，以及超限学习机的隐藏节点根据所述图像数据矩阵Xsource输出的隐含层输出矩阵Hsource；S2：根据超限学习机和基于超限学习机的自编码器，为源领域超限隐特征模型设置图像数据输入通道、图像分类输出通道以及图像输出重建通道；S3：基于Xsource、Tsource以及Hsource建立所述图像分类输出通道和所述图像输出重建通道的联合超限隐特征优化模型；S4：利用交错方向法对所述联合超限隐特征优化模型的模型参数进行更新，得到所述图像分类输出通道和所述图像输出重建通道的优化模型参数；S5：根据所述优化模型参数构建所述源领域超限隐特征模型；S6:目标领域图像样本适配阶段，将待识别的目标领域图像数据矩阵输入所述源领域超限隐特征模型的图像数据输入通道，并从所述源领域超限隐特征模型的图像输出重建通道得到原始目标领域图像样本在源领域的重建生成样本矩阵；S7：将所述目标领域图像数据矩阵与所述重建生成样本矩阵进行融合得到原始目标领域图像样本的增广样本矩阵；S8：将所述增广样本矩阵输入所述源领域超限隐特征模型的图像数据输入通道，并从所述源领域超限隐特征模型的图像分类输出通道得到对应的分类结果。2.如权利要求1所述的基于超限隐特征模型的盲领域图像样本分类方法，其特征在于，所述原始目标领域图像样本的增广样本矩阵为ztarget＝xtarget+x′target，其中，ztarget表示增广样本矩阵，xtarget表示输入所述图像数据输入通道的目标领域图像数据矩阵，x′target表示所述源领域超限隐特征模型根据所述目标领域图像数据矩阵从所述图像输出重建通道输出的重建生成样本矩阵。3.如权利要求2所述的基于超限隐特征模型的盲领域图像样本分类方法，其特征在于，T所述源领域超限隐特征模型的图像输出重建通道的输出为:x′target＝htargetQP；T所述源领域超限隐特征模型的图像分类输出通道的输出为：ttarget＝h′targetQR；其中，htarget表示源领域超限隐特征模型输入通道输入的目标领域图像数据矩阵xtarget的隐含层输出向量，h′target表示源领域超限隐特征模型输入通道输入的增广样本矩阵ztarget的隐含层输出向量，Q表示源领域隐特征变换矩阵，R表示源领域数据分类矩阵，P表示源领域数据重建矩阵，ttarget表示目标领域图像数据矩阵xtarget的预测标签向量。4.如权利要求3所述的基于超限隐特征模型的盲领域图像样本分类方法，其特征在于，所述联合超限隐特征优化模型为：TTTs.t.Xsource＝HsourceQP+E,QR＝β,PP＝I；其中，α、λ以及γ表示惩罚参数，E表示误差矩阵，β表示输出权重矩阵，表示矩阵Frobenius范数的平方，即矩阵元素的平方和。5.如权利要求4所述的基于超限隐特征模型的盲领域图像样本分类方法，其特征在于，2CN109934304A权利要求书2/2页步骤S4中引入辅助变量得到联合超限隐特征优化学习模型的增广拉格朗日函数模型，所述增广拉格朗日函数模型为：s.t.PTP＝I；其中，μ表示惩罚参数