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: 2021100672812
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
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:

1.一种嵌入LBP特征的图的半监督图像分类方法,其特征在于,该方法包括以下步骤:(1)建立包含有标签样本和无标签样本的图像库;

(2)构建用于图像分类的卷积神经网络模型,并使用图像库中的有标签样本先训练出初始模型;

(3)将有标签样本与无标签样本一起输入初始模型,提取样本的特征向量,根据特征向量来构建邻接矩阵Wcnn;

(4)使用样本图像的LBP特征构建邻接矩阵Wlbp;

(5)将Wcnn与Wlbp相加得到新的邻接矩阵W,基于所述的邻接矩阵W构建一个图,图的结点集为输入的图像样本,图的边集为所述的邻接矩阵W,通过标签传播得到输入样本中无标签样本的伪标签;

(6)基于初始模型使用图像库中所有样本及其标签训练出最终的模型,用于图像分类。

2.根据权利要求1所述的一种嵌入LBP特征的图的半监督图像分类方法,其特征在于,所述步骤(2)中的卷积神经网络模型采用VGG‑19、Resnet‑18或Densenet‑121网络模型。

3.根据权利要求1所述的一种嵌入LBP特征的图的半监督图像分类方法,其特征在于,所述步骤(3)中根据提取的样本的特征向量构建大小为n×n邻接矩阵Wcnn,其中n为训练样本总数,Wcnn中第i行第j列的元素为wij=dist(vi,vj),T

其中,vi为第i个样本的特征向量,vj为第j个样本的特征向量,i,j∈[1,n],(vj)为vj的转置,||·||2为L2范数。

4.根据权利要求1所述的一种嵌入LBP特征的图的半监督图像分类方法,其特征在于,所述步骤(4)中使用样本图像的LBP特征来构建大小为n×n的邻接矩阵Wlbp,其中n为训练样本总数,Wlbp中第i行第j列的元素w′ij=dist(v′i,v′j),其中,v′i为第i个样本的LBP特征向量,v′j为第j个样本的LBP特征向量,i,j∈[1,n],T

(v′j) 为v′j的转置,||·||2为L2范数。

5.根据权利要求1所述的一种嵌入LBP特征的图的半监督图像分类方法,其特征在于,所述步骤(5)中基于邻接矩阵W构建一个图,图的结点集为训练中输入模型的图像样本,图‑1/2 1/2

的边集为邻接矩阵W,基于W构造一个标签传播矩阵S=D WD ,其中,wij为W第i行第j列的元素,根据传播矩阵S可以得到一个大小为n×c的矩阵‑1

Z=(I‑αS) Y

其中,α∈[0,1),Y矩阵是一个大小为n×c的矩阵,I为单位矩阵,n为训练样本总数,c为类别总数,Y中第i行第j列元素yij的取值为:其中,yi为第i个图像样本的标签对应的数字,在有标签样本中,yi是整数且yi∈[1,c],Y的前l行就是l个有标签样本的标签的onehot编码,得到的Z矩阵是一个标签矩阵,每一行是对应的图像样本的标签向量。

6.根据权利要求1所述的一种嵌入LBP特征的图的半监督图像分类方法,其特征在于,所述步骤(6)中的训练过程中的损失函数由两部分损失相加组成,第一部分为输入训练的样本中有标签样本的交叉熵损失;第二部分为输入训练样本中无标签样本的交叉熵损失,每个通过标签传播得到的标签都具有不确定性,第i个图像样本的标签的不确定性ui=1‑H(zi)/log(c),其中zi是标签矩阵Z的第i行分量,c为类别总数,H(zi)表示zi的熵,在第二部分损失中,将计算出的损失值与ui相乘,得到第二部分的最终损失值,损失函数为:其中,L为交叉熵函数,y′i为模型预测的第i个图像样本的标签向量,n为样本总数,l为有标签样本的数目,yi为第i个图像样本的标签向量。

7.一种嵌入LBP特征的图的半监督图像分类系统,其特征在于,包括:样本图像库,用于保存有标签样本和无标签样本的图像;

神经网络初步训练模块,用于使用图像库中的有标签样本训练构建的用于图像分类的卷积神经网络模型,得到初始模型;

邻接矩阵构建模块,用于将有标签样本与无标签样本一起输入初始模型,提取样本的特征向量,根据特征向量来构建邻接矩阵Wcnn;以及使用样本图像的LBP特征构建邻接矩阵Wlbp;并将Wcnn与Wlbp相加得到新的邻接矩阵W;

伪标签生成模块,用于基于所述的邻接矩阵W构建一个图,图的结点集为输入的图像样本,图的边集为所述的邻接矩阵W,通过标签传播得到输入样本中无标签样本的伪标签;

以及神经网络最终训练模块,用于基于初始模型使用图像库中所有样本及其标签训练出用于图像分类的最终模型。

8.一种嵌入LBP特征的图的半监督图像分类系统,其特征在于,包括至少一台计算设备,所述计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现根据权利要求1‑6任一项所述的一种嵌入LBP特征的图的半监督图像分类方法。