一种基于稀疏预设子空间迁移的图像分类方法

专利类型：发明专利 

语 言：中文 

申 请 号：CN201610748705.0 

申 请 日：20160829 

发 明 人：张磊邓平聆王珊珊 

申 请 人：重庆大学 

申请人地址：400044 重庆市沙坪坝区沙正街174号 

公 开 日：20170111 

公 开 号：CN106326936A 

代 理 人：唐开平 

代理机构：重庆大学专利中心 50201 

摘　　要：本发明公开了一种基于稀疏预设子空间迁移的图像分类方法，它在原始空间中，由一个预先定义的基础转换P，将目标域训练数据XT通过基础转换P映射到预设子空间得到目标数据PXT，将源域训练数据XS通过基础转换P映射到预设子空间得到PXS，本发明通过源域和目标域数据P[XS,XT]来对目标数据进行重建，把P[XS,XT]又统一称为源域数据，然后利用源域数据P[XS,XT]通过稀疏矩阵Z转换，与PXT在预设子空间内共享分布。本发明的技术效果是：提高了图像数据在预设子空间迁移的准确度。 

主 权 项：一种基于稀疏预设子空间迁移的图像分类方法，其特征是，包括以下步骤：步骤1、输入源域样本和目标域样本计算原始数据X_S¹是源域的第一个样本、是源域的第N_S个样本、X_T¹是目标域的第一个样本、是目标域的第N_T个样本；步骤2，计算K_T和K由式K_T＝X^TX_T和K＝X^TX分别求解出K_T和K；步骤3，求出K的特征值分解由式K＝VSV^T求解出K的特征值分解；V为特征向量构成的矩阵，S的对角线上元素为特征向量所对应的特征值；步骤4，初始化特征向量Φ由式φ：＝V(：，v)取V的前d个最大特征值对应的特征向量，式中v为V的前d个最大特征值所对应的特征向量；步骤5，更新Z将Φ固定，使用ADMM方法，更新以下式(8)中的Z：$\begin{array}{c}\underset{Z}{\min }\left|\right|Z|{|}_1+{\lambda }_1[\left|\right|{\Phi }^T{K}_T-{\Phi }^{T}KZ|{|}_F^2\\ s.t{.1}_{N_S+N_T}^{T}Z=1_{N_T}^T\end{array}---\left(8\right)$式(8)中，Z为稀疏矩阵，λ₁表示权衡参数，表示长度为N_S+N_T的非零列向量，表示长度为N_T的非零列向量；步骤6，更新Φ将Z固定，使用特征值分解的方法，更新以下式(13)中的Φ：$\underset{\Phi }{\min }{\lambda }_1\left|\right|{\Phi }^T{K}_T-{\Phi }^{T}KZ|{|}_F^2+{\lambda }_2||X-{\mathrm{X\Phi \Phi }}^{T}K|{|}_F^2---\left(13\right)$s.t.Φ^TKΦ＝I步骤7，检查收敛性情况若仍然不收敛，则重复步骤5和步骤6；若收敛，则输出Φ和Z的值；步骤8，由P^*＝Φ^TX^T得映射P^*，计算源域数据X_S映射到预设子空间的值M_S，M_S＝P^*X_S；步骤9，利用映射P^*，计算标记的目标训练数据X_Tl映射到预设子空间的值M_Tl,M_Tl＝P^*X_SZ；M_Tl＝P^*X_SZ表示源域数据经P后通过稀疏矩阵Z向目标域转换；步骤10，计算未被标记的目标测试数据X_Tu映射到预设子空间的值M_TU，M_TU＝P^*X_Tu步骤11，基于标记的训练数据[M_S,M_Tl]和它们对应的标记，利用二范数正则最小二乘方法训练一个分类器W；步骤12，通过计算判决函数对未被标记的目标测试数据进行类别判别。 

关 键 词： 

法律状态：生效 

IPC专利分类号：G06K9/62; G06K9/00