【技術實現步驟摘要】
本專利技術涉及圖像處理，尤其是涉及一種利用數據重構選擇多標記圖像數據顯著性特征方法。
技術介紹
1、在大數據時代，應用實踐已不再滿足于從單一標記中識別出一個實例，因為多個標記信息共存可以更豐富地表征實例。例如，在一張多標記自然圖像中，其可以包含多種標記信息：天空、建筑、樹木，湖水和行人。隨著多標記分類任務中類標記數量的增加，可能需要收集更多的特征來學習這些類別標記。然而，多標記數據存在高維特征空間的災難，這顯著增加了學習模型的過擬合風險和訓練時間。面對多標記圖像數據的維數災難，我們通常求助于兩種主流的降維技術，即特征提取和特征選擇。這兩種技術可以幫助降低計算時間和存儲空間的成本，為提高多標記學習模型的準確率奠定基礎。特征提取構建了一組新的特征，這些特征的含義尚未明確，由于用戶無法獲得這些特征的物理意義，因此很難在此基礎上進一步進行定性分析。而特征選擇的目標是剔除一些特征，包括不相關的特征、冗余特征和噪聲特征，也就是說，特征選擇保留了一部分原有的特征進行降維，從而充分保留了這些特征的物理意義。利用這些特征可以構建一個更易讀、更易解釋的模型，也可以用來分析數據中的特征關系。因此，特征選擇是多標記學習前非常重要的預處理。
2、多標記圖像數據特征選擇方法通常會挖掘特征與標記之間的相關性來評估特征的重要性，卻忽略了數據中不恰當的表示機制，即特征空間與標記空間的初始表示。在原始圖像數據的特征空間中，弱相關和強相關都存在。相對于強相關，弱相關可能是一種噪聲信息，干擾了原始特征空間的準確表示。因此，突出強相關的表達，抑制弱相關的干擾
技術實現思路
1、本專利技術的目的在于解決現有技術中的問題。
2、本專利技術解決其技術問題所采用的技術方案是：提供一種利用數據重構的多標記圖像數據特征選擇方法，包括以下步驟：
3、提取多標記圖像的特征空間和標記空間；
4、采用低秩表示對特征空間進行重構，得到重構的特征空間；
5、通過方向牽引矩陣對標記空間進行轉換，得到重構的標記空間；
6、將重構的特征空間投影到重構的標記空間以產生特征選擇矩陣，對特征選擇矩陣的稀疏正則化施加l2,1范數約束以獲得目標函數；
7、通過求解目標函數獲得特征選擇矩陣；
8、基于特征選擇矩陣得到最優特征子集。
9、優選的，所述采用低秩表示對特征空間進行重構，包括以下步驟：
10、將低秩表示用于多標記圖像數據，表示為：
11、；
12、其中，x是多標記圖像的特征空間，z是需要學習的親和圖，a是詞典，是權衡參數；
13、將字典a設置為多標記圖像數據本身x，用核函數提取低秩信息，獲得特征關系的低秩模型表示為：
14、；
15、基于低秩模型提取出核心的特征關系，得到重構的特征空間xz。
16、優選的，所述通過方向牽引矩陣對標記空間進行轉換，包括以下步驟：
17、設計一個方向牽引矩陣，表示為：
18、；
19、其中，每個元素代表松弛方向；值為“1”表示松弛的正方向，值為“-1”表示松弛的負方向；
20、隨機初始化非負標記松弛矩陣；
21、構造松弛后的標記空間作為新的標記空間v，表示為：
22、；
23、其中，y表示多標記圖像的標記空間；表示兩個矩陣的阿達瑪乘積。
24、優選的，所述將重構的特征空間投影到重構的標記空間以產生特征選擇矩陣，包括以下步驟：
25、基于重構的特征空間xz和標記空間v設計映射投影，表示為：
26、；
27、基于映射投影生成特征選擇矩陣w，是權衡參數。
28、優選的，所述對特征選擇矩陣的稀疏正則化施加l2,1范數約束以獲得目標函數，表示為：
29、；
30、其中，、和是權衡參數。
31、優選的，所述通過求解目標函數獲得特征選擇矩陣w，通過交替迭代優化來求解z、w和h，迭代停止后得到的特征選擇矩陣w為最終的特征選擇矩陣w；所述交替迭代優化包括以下步驟：
32、假設，改寫為：
33、；
34、其中，d是對角矩陣和其對角元素為；
35、固定其他變量更新z，將無關z的項剔除，約簡并對約簡后的中的z求導，表示為：
36、；
37、；
38、其中，，和e是一個正定矩陣；根據奇異值分解，；
39、固定其他變量更新w，將無關w的項剔除，約簡并對約簡后的中的w求導，表示為：
40、；
41、；
42、固定其他變量更新h，將與h無關項剔除，約簡并求解得到h的最優解，表示為：
43、；
44、。
45、優選的，所述基于特征選擇矩陣得到最優特征子集，具體為：基于最優解h求得特征選擇矩陣w，選擇按照的降序選擇排名靠前的若干特征作為特征子集；特征子集的數量根據實際需求設置。
46、本專利技術還提供一種利用數據重構的多標記圖像數據特征選擇系統，包括：
47、提取模塊，提取多標記圖像的特征空間和標記空間；
48、第一重構模塊，采用低秩表示對特征空間進行重構，得到重構的特征空間；
49、第二重構模塊，通過方向牽引矩陣對標記空間進行轉換，得到重構的標記空間；
50、目標函數構建模塊，將重構的特征空間投影到重構的標記空間以產生特征選擇矩陣，對特征選擇矩陣的稀疏正則化施加l2,1范數約束以獲得目標函數；
51、優化模塊，通過求解目標函數獲得特征選擇矩陣；
52、選擇模塊，基于特征選擇矩陣得到最優特征子集。
53、本專利技術具有如下有益效果：
54、（1）利用低秩表示的動態特征關系圖重構特征空間獲得一個更為準確的特征空間；
55、（2）引入方向性牽引矩陣對原始二值標記空間進行擾動重構標記空間，能自適應的去表征每個標記對示例的重要性；
56、（3）提出了一個適合多標記圖像特征選擇的目標函數，并引入了一個有效的優化策略來解決這個函數，將所提方法轉化為目標函數，并通過設計的優化方案去求解目標函數，以快速收斂獲得最終解。
57、以下結合附圖及實施例對本專利技術作進一步詳細說明，但本專利技術不局限于實施例。
本文檔來自技高網...【技術保護點】
1.一種利用數據重構的多標記圖像數據特征選擇方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述采用低秩表示對特征空間進行重構，包括以下步驟：
3.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述通過方向牽引矩陣對標記空間進行轉換，包括以下步驟：
4.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述將重構的特征空間投影到重構的標記空間以產生特征選擇矩陣，包括以下步驟：
5.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述對特征選擇矩陣的稀疏正則化施加L2,1范數約束以獲得目標函數，表示為：
6.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述通過求解目標函數獲得特征選擇矩陣W，通過交替迭代優化來求解Z、W和H，迭代停止后得到的特征選擇矩陣W為最終的特征選擇矩陣W；所述交替迭代優化包括以下步驟：
7.根據權利要求1所述的利用數據重
8.一種利用數據重構的多標記圖像數據特征選擇系統，其特征在于，包括：
...【技術特征摘要】
1.一種利用數據重構的多標記圖像數據特征選擇方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述采用低秩表示對特征空間進行重構，包括以下步驟：
3.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述通過方向牽引矩陣對標記空間進行轉換，包括以下步驟：
4.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述將重構的特征空間投影到重構的標記空間以產生特征選擇矩陣，包括以下步驟：
5.根據權利要求1所述的利用數據重構的多標記圖像數據特征選擇方法，其特征在于，所述對特征選擇矩陣...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。