一種多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類方法及裝置，其特點(diǎn)在于利用圖像多視角特征之間的語義內(nèi)容預(yù)測(cè)的一致性，相互調(diào)節(jié)各視角回歸預(yù)測(cè)模型，對(duì)回歸系數(shù)上進(jìn)行調(diào)節(jié)，使得回歸系數(shù)能夠同時(shí)稀疏選擇不同數(shù)據(jù)域的圖像數(shù)據(jù)特征，保證選擇后的特征保持最本質(zhì)的類屬語義結(jié)構(gòu)，同時(shí)盡可能地減少引起域間差異的噪聲特征。為了保持各個(gè)數(shù)據(jù)域的數(shù)據(jù)原始流形結(jié)構(gòu)，引入了基于原始數(shù)據(jù)譜圖的圖調(diào)節(jié)正則項(xiàng)；同時(shí)通過使輔助數(shù)據(jù)域的訓(xùn)練標(biāo)簽和目標(biāo)數(shù)據(jù)域的預(yù)測(cè)標(biāo)簽之間共同保持跨數(shù)據(jù)域的類屬全局結(jié)構(gòu)，來進(jìn)一步增強(qiáng)預(yù)測(cè)標(biāo)簽的準(zhǔn)確性。相比于現(xiàn)有的遷移學(xué)習(xí)分類技術(shù)，本發(fā)明提出的分類方法在準(zhǔn)確率和穩(wěn)定性上都有了很大的提高。
【專利說明】一種多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于特征選擇和分類【技術(shù)領(lǐng)域】，特別涉及一種多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類方法及裝置。
【背景技術(shù)】
[0002]在以海量大數(shù)據(jù)為代表的信息時(shí)代，各種數(shù)據(jù)以幾何級(jí)數(shù)爆發(fā)增長(zhǎng)，數(shù)據(jù)潛在價(jià)值的挖掘已成為人們關(guān)注和研究的熱點(diǎn)。不管是互聯(lián)網(wǎng)，還是移動(dòng)通信、金融領(lǐng)域，我們的日常生活都不斷地產(chǎn)生大量的數(shù)據(jù)，其中分類技術(shù)是一種挖掘數(shù)據(jù)潛在有用知識(shí)的非常有效地方法。例如，互聯(lián)網(wǎng)用戶每天都需要收發(fā)大量的電子郵件，如何幫助用戶分門別類地將郵件整理分類，自動(dòng)地識(shí)別垃圾郵件就需要準(zhǔn)確有效的分類技術(shù)來智能地幫助用戶。又如，在網(wǎng)路路由器節(jié)點(diǎn)上，如何有效地對(duì)數(shù)據(jù)流進(jìn)行分類檢測(cè)，及時(shí)發(fā)現(xiàn)異?，F(xiàn)象和木馬病毒數(shù)據(jù)，對(duì)維護(hù)網(wǎng)絡(luò)的安全和穩(wěn)定性有著極大的作用。而在金融領(lǐng)域的對(duì)用戶交易行為的監(jiān)測(cè)和分類，有助于識(shí)別惡意的欺詐交易行為，從而能夠避免其將帶來的重大經(jīng)濟(jì)損失。
[0003]另一方面，在實(shí)際的數(shù)據(jù)挖掘分類問題中，往往需要可靠的標(biāo)簽數(shù)據(jù)作為訓(xùn)練樣本。而要得到這樣的訓(xùn)練數(shù)據(jù)，需要大量的人力、物力和時(shí)間。這樣經(jīng)常導(dǎo)致我們研究的對(duì)象領(lǐng)域只有少量有限的被人工分類的標(biāo)簽數(shù)據(jù)可用以訓(xùn)練模型。但如果同時(shí)我們?cè)谙嚓P(guān)的類似數(shù)據(jù)域中有一定量的已分類的可靠數(shù)據(jù)，通過有效地利用不同數(shù)據(jù)域的關(guān)系進(jìn)行知識(shí)的遷移，就可以在訓(xùn)練數(shù)據(jù)匱乏的情況下，也能夠?qū)δ繕?biāo)域的數(shù)據(jù)也進(jìn)行建模和準(zhǔn)確分類。不僅如此，以互聯(lián)網(wǎng)為例，盡管在某一時(shí)刻，我們的研究數(shù)據(jù)中有充分的標(biāo)簽數(shù)據(jù)，但隨著時(shí)間的發(fā)展，未來時(shí)刻的數(shù)據(jù)將發(fā)生演化，通過之前數(shù)據(jù)訓(xùn)練的已有模型未必能適應(yīng)之后的未來數(shù)據(jù)對(duì)象，需要重新調(diào)整或者訓(xùn)練，這就又將帶來繁重的人力和時(shí)間投入。如何借鑒和利用先前時(shí)刻訓(xùn)練數(shù)據(jù)中的信息和知識(shí)，降低重新訓(xùn)練所帶來的投入要求，對(duì)于研究不同時(shí)間的數(shù)據(jù)域的分類問題有著至關(guān)重要的意義?，F(xiàn)有的許多先進(jìn)技術(shù)中最為代表性的遷移學(xué)習(xí)技術(shù)，就是致力于解決如何利用其他數(shù)據(jù)域的標(biāo)簽和有用信息，來輔助目標(biāo)對(duì)象數(shù)據(jù)域的聚類、分類等知識(shí)挖掘問題。
[0004]在現(xiàn)有的遷移學(xué)習(xí)的文獻(xiàn)中，很多算法還是基于所研究的目標(biāo)數(shù)據(jù)域有少量的標(biāo)簽信息的假設(shè)。這些方法對(duì)在輔助數(shù)據(jù)域訓(xùn)練完成的分類器進(jìn)行一定的調(diào)節(jié)矯正，使其能適應(yīng)目標(biāo)數(shù)據(jù)域的分類問題。但是，對(duì)于現(xiàn)實(shí)中的很多情況，在目標(biāo)數(shù)據(jù)域沒有任何標(biāo)簽信息的時(shí)候，這些方法往往失去遷移學(xué)習(xí)的理想性能。而且現(xiàn)有的很多遷移學(xué)習(xí)算法，在跨數(shù)據(jù)域訓(xùn)練的時(shí)候，往往忽視了各個(gè)數(shù)據(jù)域原有的數(shù)據(jù)流形結(jié)構(gòu)以及各個(gè)標(biāo)簽語義類的鑒別結(jié)構(gòu)。有的基于支持向量機(jī)的遷移學(xué)習(xí)分類方法還存在只能解決簡(jiǎn)單的二分類問題的缺點(diǎn)。另外，在實(shí)際的應(yīng)用中，數(shù)據(jù)對(duì)象往往可以由通過各種特征提取技術(shù)得到的特征進(jìn)行表達(dá)，即擁有多種視角特征。例如一幅簡(jiǎn)單的圖像，可以通過提取各種顏色、紋理、形狀特征來用向量表示。但是現(xiàn)有的很多算法卻忽視了利用這些豐富的多視角特征，沒有達(dá)到提高現(xiàn)有的遷移學(xué)習(xí)性能的效果。
【發(fā)明內(nèi)容】

[0005]鑒于現(xiàn)有的遷移學(xué)習(xí)算法中存在的缺點(diǎn)和不足，本發(fā)明提供了一種跨數(shù)據(jù)域遷移學(xué)習(xí)分類技術(shù)，此分類技術(shù)可應(yīng)用于圖像內(nèi)容識(shí)別領(lǐng)域。在我們的目標(biāo)數(shù)據(jù)域缺乏訓(xùn)練數(shù)據(jù)的情況下，我們利用相關(guān)的輔助數(shù)據(jù)域的訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，以得到所需的分類器，并且在分類性能達(dá)到滿意的效果。
[0006]為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案為:
[0007]—種多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類方法，包括如下步驟:
[0008]S10:對(duì)待分類的各目標(biāo)圖像進(jìn)行特征抽取，將圖像數(shù)據(jù)轉(zhuǎn)化成可用于分類的數(shù)值型數(shù)據(jù)；
[0009]S20:輸入各目標(biāo)圖像數(shù)據(jù)域和輔助數(shù)據(jù)域的各視角數(shù)據(jù)特征，以及對(duì)應(yīng)輔助域數(shù)據(jù)的用于訓(xùn)練的類屬標(biāo)簽數(shù)據(jù)，對(duì)數(shù)據(jù)建立用于幾何調(diào)節(jié)的譜圖鄰接圖；
[0010]S30:對(duì)步驟S20中輸入的圖像數(shù)據(jù)、標(biāo)簽信息和建立的鄰接圖，建立數(shù)學(xué)模型；
[0011]S40:根據(jù)S30中建立的數(shù)學(xué)模型，推導(dǎo)各個(gè)變量的更新公式，以交替迭代的方式更新圖像視角特征的回歸系數(shù)和在目標(biāo)域圖像數(shù)據(jù)上預(yù)測(cè)的擬分類標(biāo)簽；
[0012]S50:利用S40中得到的擬類標(biāo)簽矩陣，預(yù)測(cè)目標(biāo)域圖像數(shù)據(jù)的分類標(biāo)簽，以此分類標(biāo)簽對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行分類。
[0013]進(jìn)一步的，步驟S20包括:
[0014]S201:輸入輔助數(shù)據(jù)域和目標(biāo)數(shù)據(jù)域的Sift特征和Gabor特征兩種圖像視角特征的訓(xùn)練樣本數(shù)據(jù)，包括:輔助數(shù)據(jù)域第一個(gè)視角Sift特征的數(shù)據(jù)，第二個(gè)視角Gabor特征的數(shù)據(jù)，對(duì)應(yīng)的標(biāo)簽信息矩陣，擬類標(biāo)簽矩陣，以及目標(biāo)域第一個(gè)視角Sift特征的數(shù)據(jù)，第二個(gè)視角Gabor特征的數(shù)據(jù)；
[0015]S202:分別構(gòu)建目標(biāo)數(shù)據(jù)域的Sift特征維度上的鄰接圖一和Gabor特征維度上的鄰接圖二。
[0016]進(jìn)一步的，步驟S30包括:
[0017]S301:建立基于稀疏特征選擇的跨數(shù)據(jù)域的聯(lián)合標(biāo)簽預(yù)測(cè)模型；
[0018]S302:在每個(gè)視角回歸系數(shù)上施加域間差異性最小化正則項(xiàng)約束，消除提取的圖像特征在均值統(tǒng)計(jì)量上的差異性；
[0019]S303:對(duì)目標(biāo)域圖像數(shù)據(jù)的預(yù)測(cè)標(biāo)簽進(jìn)行局部流形結(jié)構(gòu)化約束，在預(yù)測(cè)標(biāo)簽上添加正則項(xiàng)進(jìn)行調(diào)節(jié)；
[0020]S304:結(jié)合輔助域和目標(biāo)域的圖像數(shù)據(jù)，在目標(biāo)域圖像數(shù)據(jù)的預(yù)測(cè)標(biāo)簽上引入類屬結(jié)構(gòu)跨數(shù)據(jù)域的全局性正則項(xiàng)約束；
[0021]S305:將步驟S301得到的預(yù)測(cè)模型和步驟S302，S303，S304中得到的各個(gè)正則項(xiàng)整合起來，得到統(tǒng)一的數(shù)學(xué)模型。
[0022]進(jìn)一步的，步驟S40包括:
[0023]S401:更新Sift特征視角的回歸系數(shù)和更新Gabor特征視角的回歸系數(shù)；
[0024]S402:更新目標(biāo)域數(shù)據(jù)的擬分類標(biāo)簽矩陣。
[0025]本發(fā)明的另一目的還在于提供一種多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類裝置，包括:
[0026]圖像預(yù)處理模塊:對(duì)待分類的各目標(biāo)圖像進(jìn)行特征抽取，將圖像數(shù)據(jù)轉(zhuǎn)化成可用于分類的數(shù)值型數(shù)據(jù)；
[0027]數(shù)據(jù)輸入處理模塊:從圖像預(yù)處理模塊中輸入各目標(biāo)圖像數(shù)據(jù)域和輔助數(shù)據(jù)域的各視角數(shù)據(jù)特征，以及對(duì)應(yīng)輔助域數(shù)據(jù)的用于訓(xùn)練的類屬標(biāo)簽數(shù)據(jù)，對(duì)數(shù)據(jù)建立用于幾何調(diào)節(jié)的譜圖鄰接圖；
[0028]建模模塊:根據(jù)數(shù)據(jù)輸入處理模塊中輸出的數(shù)據(jù)、標(biāo)簽信息和建立的鄰接圖，建立數(shù)學(xué)模型:結(jié)合跨數(shù)據(jù)域的多視角聯(lián)合預(yù)測(cè)模型、跨數(shù)據(jù)域均值差異距離的正則項(xiàng)調(diào)節(jié)、目標(biāo)域數(shù)據(jù)局部流形的幾何結(jié)構(gòu)調(diào)節(jié)、跨數(shù)據(jù)域類屬全局結(jié)構(gòu)的正則項(xiàng)調(diào)節(jié)，建立統(tǒng)一的數(shù)學(xué)模型并輸出；
[0029]參數(shù)迭代更新模塊:根據(jù)建模模塊輸出的數(shù)學(xué)模型，推導(dǎo)各個(gè)變量的更新公式，以交替迭代的方式更新圖像視角特征的回歸系數(shù)和在目標(biāo)域圖像數(shù)據(jù)上預(yù)測(cè)的擬分類標(biāo)簽;
[0030]圖像數(shù)據(jù)分類模塊:利用參數(shù)迭代更新模塊中得到的擬類標(biāo)簽，預(yù)測(cè)目標(biāo)域圖像數(shù)據(jù)的分類標(biāo)簽，以此分類標(biāo)簽對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行分類。
[0031]進(jìn)一步的，所述數(shù)據(jù)輸入處理模塊用于包括:
[0032]輸入輔助數(shù)據(jù)域和目標(biāo)數(shù)據(jù)域的Sift特征和Gabor特征兩種圖像視角特征的訓(xùn)練樣本數(shù)據(jù)，包括:輔助數(shù)據(jù)域第一個(gè)視角Sift特征的數(shù)據(jù)，第二個(gè)視角Gabor特征的數(shù)據(jù)，對(duì)應(yīng)的標(biāo)簽信息矩陣，擬類標(biāo)簽矩陣，以及目標(biāo)域第一個(gè)視角Sift特征的數(shù)據(jù)，第二個(gè)視角Gabor特征的數(shù)據(jù)；
[0033]分別構(gòu)建目標(biāo)數(shù)據(jù)域的Sift特征維度上的鄰接圖一和Gabor特征維度上的鄰接圖
[0034]進(jìn)一步的，所述建模模塊用于包括:
[0035]建立基于稀疏特征選擇的跨數(shù)據(jù)域的聯(lián)合標(biāo)簽預(yù)測(cè)模型；
[0036]在每個(gè)視角回歸系數(shù)上施加域間差異性最小化正則項(xiàng)約束，消除提取的圖像特征在均值統(tǒng)計(jì)量上的差異性；
[0037]對(duì)目標(biāo)域圖像數(shù)據(jù)的預(yù)測(cè)標(biāo)簽進(jìn)行局部流形結(jié)構(gòu)化約束，在預(yù)測(cè)標(biāo)簽上添加正則項(xiàng)進(jìn)行調(diào)節(jié)；
[0038]結(jié)合輔助域和目標(biāo)域的圖像數(shù)據(jù)，在目標(biāo)域圖像數(shù)據(jù)的預(yù)測(cè)標(biāo)簽上引入類屬結(jié)構(gòu)跨數(shù)據(jù)域的全局性正則項(xiàng)約束；
[0039]將得到聯(lián)合標(biāo)簽預(yù)測(cè)模型和得到的各個(gè)正則項(xiàng)整合起來，得到統(tǒng)一的數(shù)學(xué)模型。
[0040]本發(fā)明構(gòu)思及優(yōu)點(diǎn):在算法中，利用圖像多視角特征之間的語義內(nèi)容預(yù)測(cè)的一致性，相互調(diào)節(jié)各視角的回歸預(yù)測(cè)模型。在回歸系數(shù)上引入L2il范數(shù)進(jìn)行調(diào)節(jié)，使得回歸系數(shù)能夠同時(shí)稀疏選擇不同數(shù)據(jù)域的圖像數(shù)據(jù)特征，以保證選擇后的特征保持最本質(zhì)的類屬語義結(jié)構(gòu)，同時(shí)盡可能地減少引起域間差異的噪聲特征。為了保持各個(gè)數(shù)據(jù)域的數(shù)據(jù)原始流形結(jié)構(gòu)，算法中引入了基于原始數(shù)據(jù)譜圖的圖調(diào)節(jié)正則項(xiàng)；同時(shí)，通過使輔助數(shù)據(jù)域的訓(xùn)練標(biāo)簽和目標(biāo)數(shù)據(jù)域的預(yù)測(cè)標(biāo)簽之間共同保持跨數(shù)據(jù)域的類屬全局結(jié)構(gòu)，來進(jìn)一步增強(qiáng)預(yù)測(cè)標(biāo)簽的準(zhǔn)確性。相比于現(xiàn)有的遷移學(xué)習(xí)分類技術(shù)，本發(fā)明提出的分類方法在準(zhǔn)確率和穩(wěn)定性上都有了很大的提聞。
【專利附圖】

【附圖說明】[0041]圖1為本發(fā)明實(shí)施例的方法流程圖。
【具體實(shí)施方式】
[0042]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0043]相反，本發(fā)明涵蓋任何由權(quán)利要求定義的在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。進(jìn)一步，為了使公眾對(duì)本發(fā)明有更好的了解，在下文對(duì)本發(fā)明的細(xì)節(jié)描述中，詳盡描述了一些特定的細(xì)節(jié)部分。對(duì)本領(lǐng)域技術(shù)人員來說沒有這些細(xì)節(jié)部分的描述也可以完全理解本發(fā)明。
[0044]參考圖1，所示本發(fā)明實(shí)施例的多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類方法的流程圖，其包括以下步驟:
[0045]S10:對(duì)待分類的各目標(biāo)圖像進(jìn)行特征抽取，將圖像數(shù)據(jù)轉(zhuǎn)化成可用于分類的數(shù)值型數(shù)據(jù)；
[0046]S20:輸入各目標(biāo)圖像數(shù)據(jù)域和輔助數(shù)據(jù)域的各視角數(shù)據(jù)特征，以及對(duì)應(yīng)輔助域數(shù)據(jù)的用于訓(xùn)練的類屬標(biāo)簽數(shù)據(jù)，對(duì)數(shù)據(jù)建立用于幾何調(diào)節(jié)的譜圖鄰接圖。具體包括步驟S201 至 S202:
[0047]S201，輸入輔助數(shù)據(jù)域Ds和目標(biāo)數(shù)據(jù)域Ds的兩種圖像視角特征(Sift特征和Gabor特征)的訓(xùn)練樣本數(shù)據(jù)，包括:
[0048]輔助數(shù)據(jù)域第一個(gè)視角(V= I) Sift特征的數(shù)據(jù)矩陣X; =K1, Xii2，…，XiJe nd',
其中上標(biāo)S用于表示是輔助數(shù)據(jù)域，ns表示輔助數(shù)據(jù)域的數(shù)據(jù)個(gè)數(shù)，Cl1表示第一個(gè)視角Sift特征的數(shù)據(jù)維度，Rd1Xns表示(I1Xns維的實(shí)數(shù)域空間；
[0049]輔助數(shù)據(jù)域第二個(gè)視角(v = 2)Gabor特征的數(shù)據(jù)矩陣X*2=[xL,xL2，…，妗?,]€'尺―’ ?其中(?表示第二個(gè)視角Gabor特征的數(shù)據(jù)維度,Rd2Xns表示(J2Xns維的實(shí)數(shù)域空間；
[0050]對(duì)應(yīng)輔助域數(shù)據(jù)的標(biāo)簽信息矩陣Y= [U2,."i?t:TG {(UF#，其中c是分類標(biāo)簽的類數(shù)，{O, IlnsXc表示值只能取O和I的nsXc維的矩陣；上標(biāo)T表示矩陣的轉(zhuǎn)置；
[0051]擬類標(biāo)簽矩陌Y = [y,，...,y%f；
[0052]以及目標(biāo)數(shù)據(jù)域的第一個(gè)視角(V = I) Sift特征的數(shù)據(jù)矩陣
[0053]XJ = [Xy?.*-,XJilJe TZti' ,其中上標(biāo)t用于表示目標(biāo)數(shù)據(jù)域、nt表示目標(biāo)數(shù)據(jù)域的數(shù)據(jù)個(gè)數(shù)，Rd1Xnt表示(I1Xnt維的實(shí)數(shù)域空間；
[0054]目標(biāo)數(shù)據(jù)域第二個(gè)視角(V= 2)Gabor特征的數(shù)據(jù)矩陣其中Rd2Xnt表示(J2Xnt維的實(shí)數(shù)域空間。
[0055]S202，對(duì)于圖像數(shù)據(jù)，第一個(gè)視角(V = I)是Sift特征，第二個(gè)視角(V = 2)是Gabor紋理特征,分別構(gòu)建目標(biāo)域的Sift特征維度上的鄰接圖G1和Gabor特征維度上的鄰接圖G2。鄰接圖的點(diǎn)之間的邊權(quán)重分別如下:
[0056]
【權(quán)利要求】
1.一種多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類方法，其特性在于，包括如下步驟: SlO:對(duì)待分類的各目標(biāo)圖像進(jìn)行特征抽取，將圖像數(shù)據(jù)轉(zhuǎn)化成可用于分類的數(shù)值型數(shù)據(jù)； S20:輸入各目標(biāo)圖像數(shù)據(jù)域和輔助數(shù)據(jù)域的各視角數(shù)據(jù)特征，以及對(duì)應(yīng)輔助域數(shù)據(jù)的用于訓(xùn)練的類屬標(biāo)簽數(shù)據(jù)，對(duì)數(shù)據(jù)建立用于幾何調(diào)節(jié)的譜圖鄰接圖； S30:對(duì)步驟S20中輸入的圖像數(shù)據(jù)、標(biāo)簽信息和建立的鄰接圖，建立數(shù)學(xué)模型； S40:根據(jù)步驟S30中建立的數(shù)學(xué)模型，推導(dǎo)各個(gè)變量的更新公式，以交替迭代的方式更新圖像視角特征的回歸系數(shù)和在目標(biāo)域圖像數(shù)據(jù)上預(yù)測(cè)的擬分類標(biāo)簽； S50:利用步驟S40中得到的擬分類標(biāo)簽矩陣，預(yù)測(cè)目標(biāo)域圖像數(shù)據(jù)的分類標(biāo)簽，以此分類標(biāo)簽對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行分類。
2.根據(jù)權(quán)利要求1所述的分類方法，其特征在于，步驟S20包括: S201:輸入輔助數(shù)據(jù)域和目標(biāo)數(shù)據(jù)域的Sift特征和Gabor特征兩種圖像視角特征的訓(xùn)練樣本數(shù)據(jù)，包括:輔助數(shù)據(jù)域第一個(gè)視角Sift特征的數(shù)據(jù)和第二個(gè)視角Gabor特征的數(shù)據(jù)，對(duì)應(yīng)的標(biāo)簽信息矩陣，擬類標(biāo)簽矩陣，以及目標(biāo)數(shù)據(jù)域第一個(gè)視角Sift特征的數(shù)據(jù)和第二個(gè)視角Gabor特征的數(shù)據(jù)； S202:分別構(gòu)建目標(biāo)數(shù)據(jù)域的Sift特征維度上的鄰接圖一和Gabor特征維度上的鄰接圖二。
3.根據(jù)權(quán)利要求2所述的分類方法，其特征在于，步驟S30包括: S301:建立基于稀疏特征選擇的跨數(shù)據(jù)域的聯(lián)合標(biāo)簽預(yù)測(cè)模型； S302:在每個(gè)視角回歸系數(shù)上施加域間差異性最小化正則項(xiàng)約束，消除提取的圖像特征在均值統(tǒng)計(jì)量上的差異性； S303:對(duì)目標(biāo)域圖像數(shù)據(jù)的預(yù)測(cè)標(biāo)簽進(jìn)行局部流形結(jié)構(gòu)化約束，在預(yù)測(cè)標(biāo)簽上添加正則項(xiàng)進(jìn)行調(diào)節(jié)； S304:結(jié)合輔助域和目標(biāo)域的圖像數(shù)據(jù)，在目標(biāo)域圖像數(shù)據(jù)的預(yù)測(cè)標(biāo)簽上引入類屬結(jié)構(gòu)跨數(shù)據(jù)域的全局性正則項(xiàng)約束； S305:將步驟S301得到的聯(lián)合標(biāo)簽預(yù)測(cè)模型和步驟S302，S303，S304中得到的各個(gè)正則項(xiàng)整合起來，得到統(tǒng)一的數(shù)學(xué)模型。
4.根據(jù)權(quán)利要求1-3中任一所述的分類方法，其特征在于，步驟S40包括: 5401:更新Sift特征視角的回歸系數(shù)和更新Gabor特征視角的回歸系數(shù)； 5402:更新目標(biāo)域數(shù)據(jù)的擬分類標(biāo)簽矩陣。
5.一種多視角跨數(shù)據(jù)域圖像內(nèi)容識(shí)別的分類裝置，其特征在于，包括: 圖像預(yù)處理模塊:對(duì)待分類的各目標(biāo)圖像進(jìn)行特征抽取，將圖像數(shù)據(jù)轉(zhuǎn)化成可用于分類的數(shù)值型數(shù)據(jù)； 數(shù)據(jù)輸入處理模塊:從圖像預(yù)處理模塊中輸入各目標(biāo)圖像數(shù)據(jù)域和輔助數(shù)據(jù)域的各視角數(shù)據(jù)特征，以及對(duì)應(yīng)輔助域數(shù)據(jù)的用于訓(xùn)練的類屬標(biāo)簽數(shù)據(jù)，對(duì)數(shù)據(jù)建立用于幾何調(diào)節(jié)的譜圖鄰接圖； 建模模塊:根據(jù)數(shù)據(jù)輸入處理模塊中輸出的數(shù)據(jù)、標(biāo)簽信息和建立的鄰接圖，建立數(shù)學(xué)模型:結(jié)合跨數(shù)據(jù)域的多視角聯(lián)合預(yù)測(cè)模型、跨數(shù)據(jù)域均值差異距離的正則項(xiàng)調(diào)節(jié)、目標(biāo)域數(shù)據(jù)局部流形的幾何結(jié)構(gòu)調(diào)節(jié)、跨數(shù)據(jù)域類屬全局結(jié)構(gòu)的正則項(xiàng)調(diào)節(jié)，建立統(tǒng)一的數(shù)學(xué)模型并輸出； 參數(shù)迭代更新模塊:根據(jù)建模模塊輸出的數(shù)學(xué)模型，推導(dǎo)各個(gè)變量的更新公式，以交替迭代的方式更新圖像視角特征的回歸系數(shù)和在目標(biāo)域圖像數(shù)據(jù)上預(yù)測(cè)的擬分類標(biāo)簽；圖像數(shù)據(jù)分類模塊:利用參數(shù)迭代更新模塊中得到的擬分類標(biāo)簽，預(yù)測(cè)目標(biāo)域圖像數(shù)據(jù)的分類標(biāo)簽，以此分類標(biāo)簽對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行分類。
6.根據(jù)權(quán)利要求5所述的分類裝置，其特征在于，所述數(shù)據(jù)輸入處理模塊用于包括: 輸入輔助數(shù)據(jù)域和目標(biāo)數(shù)據(jù)域的Sift特征和Gabor特征兩種圖像視角特征的訓(xùn)練樣本數(shù)據(jù)，包括:輔助數(shù)據(jù)域第一個(gè)視角Sift特征的數(shù)據(jù)，第二個(gè)視角Gabor特征的數(shù)據(jù)，對(duì)應(yīng)的標(biāo)簽信息矩陣，擬類標(biāo)簽矩陣，以及目標(biāo)域第一個(gè)視角Sift特征的數(shù)據(jù)，第二個(gè)視角Gabor特征的數(shù)據(jù)； 分別構(gòu)建目標(biāo)數(shù)據(jù)域的Sift特征維度上的鄰接圖一和Gabor特征維度上的鄰接圖。
7.根據(jù)權(quán)利要求6所述的分類裝置，其特征在于，所述建模模塊用于包括: 建立基于稀疏特征選擇的跨數(shù)據(jù)域的聯(lián)合標(biāo)簽預(yù)測(cè)模型； 在每個(gè)視角回歸系數(shù)上施加域間差異性最小化正則項(xiàng)約束，消除提取的圖像特征在均值統(tǒng)計(jì)量上的差異性； 對(duì)目標(biāo)域圖像數(shù)據(jù)的預(yù)測(cè)標(biāo)簽進(jìn)行局部流形結(jié)構(gòu)化約束，在預(yù)測(cè)標(biāo)簽上添加正則項(xiàng)進(jìn)行調(diào)節(jié)； 結(jié)合輔助域和目標(biāo)域的圖像數(shù)據(jù)，在目標(biāo)域圖像數(shù)據(jù)的預(yù)測(cè)標(biāo)簽上引入類屬結(jié)構(gòu)跨數(shù)據(jù)域的全局性正則項(xiàng)約束； 將得到聯(lián)合標(biāo)簽預(yù)測(cè)模型和得 到的各個(gè)正則項(xiàng)整合起來，得到統(tǒng)一的數(shù)學(xué)模型。
【文檔編號(hào)】G06K9/62GK103473366SQ201310450954
【公開日】2013年12月25日 申請(qǐng)日期:2013年9月27日 優(yōu)先權(quán)日:2013年9月27日
【發(fā)明者】方正, 張仲非 申請(qǐng)人:浙江大學(xué)