欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018114556514
申请人: 苏州大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于鲁棒局部低秩稀疏CNN特征的图像分类方法,其特征在于,包括:利用卷积神经网络提取待分类图像的原始深度特征;

利用预先构建的投影矩阵对所述原始深度特征进行低秩与稀疏特征提取,得到分类识别特征;

将所述分类识别特征输入分类模型中,得到所述待分类图像的标签;

其中,所述投影矩阵为采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征所得,用于提取具有邻域保持时能力的低秩与稀疏特征;

其中,所述投影矩阵为采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征所得包括:采用公式(1)计算得到所述投影矩阵:

其中, 是截断核范数,为min(n,N)‑r个数的奇异值的和;

为所述投影矩阵,CNN为样本图像的原始深度特征,E为错误,α、β、λ为调整参数,为重构错误,W为权重矩阵,n为所述投影矩阵的行数,N为所述投影矩阵的列数,r为所述投影矩阵的秩,l为1范式或2范式;

并且,采用下述公式计算得到所述投影矩阵包括:

对公式(1)进行变换得到:

T

其中,U∑V为PCNN的奇异值分解, m为奇异向量U的向量维度,Vn*n T

=(v1,…,vr)∈R ,τ=(u1,…,ur) ,r为奇异向量V的向量维度,为奇异向量V前r个值;

利用CNN–E替代公式(2)中的CNN,利用公式(3)计算得到具有邻域保持能力的投影矩阵:其中,利用CNN–E替代公式(2)中的CNN得到的原始深度特征为具有邻域保持的联合低秩与稀疏特征。

2.根据权利要求1所述的基于鲁棒局部低秩稀疏CNN特征的图像分类方法,其特征在于,所述利用卷积神经网络提取待分类图像的原始深度特征包括:将所述待分类图像输入至所述卷积神经网络中;

选取所述卷积神经网络第一层的全连接层输出的特征,作为所述待分类图像的原始深度特征,并将所述原始深度特征转化为列向量。

3.根据权利要求2所述的基于鲁棒局部低秩稀疏CNN特征的图像分类方法,其特征在于,所述将所述分类识别特征输入分类模型中,得到所述待分类图像的标签包括:利用所述投影矩阵对所述训练样本集中的各样本图像的原始深度特征进行低秩与稀疏特征提取,得到各样本图像的样本识别特征;

将各样本识别特征、所述分类识别特征和各样本识别特征对应的标签类别输入分类模型中,得到所述分类识别特征对应的标签,作为所述待分类图像的标签。

4.一种基于鲁棒局部低秩稀疏CNN特征的图像分类装置,其特征在于,包括:投影矩阵构建模块,用于采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征得到投影矩阵,所述投影矩阵用于提取具有邻域保持能力的低秩与稀疏特征;

深度特征提取模块,用于利用卷积神经网络提取待分类图像的原始深度特征;

分类识别特征提取模块,用于利用预先构建的投影矩阵对所述原始深度特征进行低秩与稀疏特征提取,得到分类识别特征;

图像分类模块,用于将所述分类识别特征输入分类模型中,得到所述待分类图像的标签;

其中,所述投影矩阵构建模块为采用公式(1)计算得到所述投影矩阵的模块:其中, 是截断核范数,为min(n,N)‑r个数的奇异值的和;

为所述投影矩阵,CNN为样本图像的原始深度特征,E为错误,α、β、λ为调整参数,为重构错误,W为权重矩阵,n为所述投影矩阵的行数,N为所述投影矩阵的列数,r为所述投影矩阵的秩,l为1范式或2范式;

并且,所述投影矩阵构建模块包括变化子模块和计算子模块;

所述变化子模块用于对公式(1)进行变换得到公式(2):T

其中,U∑V为PCNN的奇异值分解, m为奇异向量U的向量维度,Vn*n T

=(v1,…,vr)∈R ,τ=(u1,…,ur) ,r为奇异向量V的向量维度,为奇异向量V前r个值;

所述计算子模块为利用CNN–E替代公式(2)中的CNN,利用公式(3)计算得到具有鲁棒性的特征投影矩阵的模块:其中,利用CNN–E替代公式(2)中的CNN得到的原始深度特征为具有领域保持的联合低秩与稀疏特征。

5.一种基于鲁棒局部低秩稀疏CNN特征的图像分类设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至3任一项所述基于鲁棒局部低秩稀疏CNN特征的图像分类方法的步骤。

6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于鲁棒局部低秩稀疏CNN特征的图像分类程序,所述基于鲁棒局部低秩稀疏CNN特征的图像分类程序被处理器执行时实现如权利要求1至3任一项所述基于鲁棒局部低秩稀疏CNN特征的图像分类方法的步骤。