合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于 本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本申请保护的范围。
[0026] 本申请的核心是提供一种基于深度标签预测的诱导式图像分类方法及系统，以解 决现有技术中浅层软标签中的混合信号对分类结果有较大影响，降低分类结果的精确度的 技术问题。
[0027] 为了使本技术领域的人员更好地理解本申请方案，下面结合附图和【具体实施方式】 对本申请作进一步的详细说明。
[0028] 本申请共使用了 5个真实数据集，分别是UMIST、YALE、GeorgiaTech、 CASIA-HWDB1. 1、USPS。其中UMIST、YALE、GeorgiaTech为人脸数据集，基于计算高效性考 虑，所有真实图像的尺寸被压缩为32X32 ;在实验中，每张图片对应一个1024维的向量。 CASIA-HWDB1.UUSPS为手写体数据集。其中CASIA图像压缩为14X14，USPS为16X16,对 应实验中维度分别为196和256的向量。
[0029] 本申请为诱导式的图像分类方法，即利用已有的训练模型和测试集进行诱导式标 签预测，因此以测试集的性能表现来说明本申请提出的新方法。其中，LNP提出通过重构样 本外数据的软标签来处理测试集数据的诱导式方法，而GFHF、LLGC、SLP都没有对应的诱导 式方法，因此对上述方法，在实验中将统一使用LNP式的诱导方法来处理样本外数据。故上 述方法在测试集中的表现，将主要由其直推式过程的性能表现决定。而ELP提出使用投影 的方式处理样本外数据，实验中ELP将使用该方法对测试集进行诱导式分类。为了公平起 见，所有方法将统一使用LLE-重构权来构造相似近邻图，建立权重矩阵。
[0030] 在人脸识别的诱导式实验中，我们将有标签样本的数量和无标签样本的数量设置 为相等，每次在同一类样本（即同一个人的人脸图像）中取固定数量的样本作为有标签数 据，并且取15次随机取样结果的平均值作为实验结果。
[0031] 首先从Yale人脸数据集中选出一定比例的数据（包含少量有标签和适量无标签 样本，有标签样本比例参照实验设置中的labeledratio)作为训练集，其他数据作为测试 集（均为无标签样本）；设选出的训练数据集为X=[\，XJeRnx(1+U)，其中n是数据的原 始维度，1+u=N为训练样本的总数量，\= [Xl，x2，...，X1]eRnxl为训练集中的有标签数 据集，Xu=[X1+1，x1+2,. . .，x1+u]GRnxu为训练样本中的无标签数据集。每个列向量X#Rn 代表一个对象图像样本。假设总类别标签数为c，并且每种标签都被包含于有标签数据集\ 中，且有标签数据集\中的每个样本有且仅有一个属于标签集{1，2. ..，c}的标签。除此，
【主权项】
1. 一种基于深度标签预测的诱导式图像分类方法，其特征在于，利用描述学习理论进 行半监督标签传播的诱导式分类，该方法包括： 对训练集进行训练预处理，包括：根据训练集中所有训练样本的K近邻使用LLE-重构 权，构建相似近邻图，根据所述相似近邻图求得对称化、归一化的权重矩阵，初始化类别标 签矩阵Y; 构建直推式深度标签预测模型，迭代得到所述训练集的"浅"软标签矩阵F、深度嵌入矩 阵P和深度投影矩阵A，利用所述"浅"软标签矩阵F和深度嵌入矩阵P得到所述训练集的 深度预测标签，利用所述深度投影矩阵A对所述深度预测标签进行描述学习； 对测试样本进行诱导式标签预测，包括：利用学习得到的深度投影矩阵A对测试集中 无标签样本数据进行投影，得到所述测试集的深度标签矩阵，根据所述深度标签矩阵中各 行的最大值确定测试样本对应的标签类别，得到分类结果。
2. 如权利要求1所述的方法，其特征在于，所述根据训练集中所有训练样本的K近邻使 用LLE-重构权，构建相似近邻图，根据所述相似近邻图求得对称化、归一化的权重矩阵，包 括： 对所述训练集中所有训练样本进行K最近邻搜索，找出每个样本的K个最近邻样本； 采用LLE-重构权的构造方法，计算、衡量顶点之间的相似性，构造相似近邻图的相似 度量矩阵； 对所述相似度量矩阵进行对称化、归一化处理，得到所述权重矩阵。
3. -种基于深度标签预测的诱导式图像分类系统，其特征在于，包括： 训练预处理模块，用于对训练集进行训练预处理，包括：根据训练集中所有训练样本的K近邻使用LLE-重构权，构建相似近邻图，根据所述相似近邻图求得对称化、归一化的权重 矩阵，初始化类别标签矩阵Y; 训练模块，用于构建直推式深度标签预测模型，迭代得到所述训练集的"浅"软标签矩 阵F、深度嵌入矩阵P和深度投影矩阵A，利用所述"浅"软标签矩阵F和深度嵌入矩阵P得 到所述训练集的深度预测标签，利用所述深度投影矩阵A对所述深度预测标签进行描述学 习； 测试模块，用于对测试样本进行诱导式标签预测，包括：利用学习得到的深度投影矩阵A对测试集中无标签样本数据进行投影，得到所述测试集的深度标签矩阵，根据所述深度标 签矩阵确定测试样本对应的标签类别，以完成诱导式半监督图像分类过程。
【专利摘要】本发明公开了一种基于深度标签预测的诱导式图像分类方法及系统，首先对有标签的训练样本和无标签的训练样本进行相似性学习，构造加权相似近邻图，再初始化一个类标签矩阵。为了降低“浅”预测标签中的混合信号对系统性能的影响，引入了描述学习的思想，先计算基于原始输入空间的通常含有混合信号的“浅”软标签，进而利用描述学习得到判别性更强的深度软标签，取深度标签中概率的最大值，用于类别鉴定，得到最准确的分类结果。通过深度标签预测，有效降低了浅层软标签中的混合信号对结果的影响，使分类精度大幅提高。此外，本发明方法通过引入描述学习，可快速有效地完成样本外数据的深度归纳分类，无需引入额外的学习过程，方法可拓展性好。
【IPC分类】G06K9-62
【公开号】CN104794489
【申请号】CN201510197245
【发明人】张召, 梁雨宸, 张莉, 李凡长
【申请人】苏州大学
【公开日】2015年7月22日
【申请日】2015年4月23日