【技術實現步驟摘要】
本專利技術屬于模式識別，尤其涉及一種基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法。
技術介紹
1、近年來，對多視圖學習的研究引起了許多研究者的關注。多視圖數據是指通過對一個對象使用不同數據采集方法獲得的數據。例如，一張圖片可以通過其顏色特征(rgb)、縮放不變特征變換(sift)等來描述。與單視圖數據相比，多視圖數據可以提供更全面的研究對象的描述。多視圖表示學習被廣泛應用于各種應用中，如推薦系統、生物信息學分析。多視圖表示學習的目的是使模型能夠從多視圖數據中學習一個對象的全面特征表示，從而可以有效地用于分類任務。在分類任務中，可以用多個標簽而不是單個標簽來注釋一個對象。多個標簽可以更全面地描述樣本，例如，一張照片可以被標注為“人”、“汽車”、“道路”、“樹”等。多視圖多標簽分類的目的是從多視圖數據中學習一種表示來準確地捕獲樣本的鑒別特征，然后為樣本分配不同的標簽。在近些年，人們提出了一些針對多視圖多標簽分類的方法，zhang等人提出了一種基于矩陣分解的潛在語義感知模型，該模型利用視圖之間的互補性來提取多視圖的一致性表示。sun和zong提出了一個潛在條件伯努利混合(lcbm)模型，該模型使用伯努利混合模型來構造標簽依賴關系，lcbm利用平均場變分推理框架來近似后驗推理。zhao等人開發了一種最大限度地提高視圖特定標簽對標簽特征的依賴性的方法，增強了標簽空間的互補性和一致性。但是這些方法都假設所有的視圖和標簽是完整的。在實際應用中，不完整的視圖和缺失的標簽才是普遍存在的。因此，對于不完整多視圖不完整多標簽的分類更有
技術實現思路
1、為解決上述技術問題，本專利技術提出了一種基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，根據每個輸入樣本的部分或完整的多視圖特征，準確地預測每個輸入樣本的完整標簽。
2、為實現上述目的，本專利技術提供了一種基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，包括：
3、獲取若干不完整多視圖不完整多標簽數據；
4、構建不完整多視圖不完整多標簽學習模型，將所述不完整多視圖不完整多標簽數據輸入所述不完整多視圖不完整多標簽學習模型進行訓練，獲得訓練好的不完整多視圖不完整多標簽學習模型；
5、獲取待測完整或不完整多視圖數據，將所述待測多視圖數據輸入所述訓練好的不完整多視圖不完整多標簽學習模型，完成對輸入待測數據的多標簽分類。
6、可選的，所述不完整多視圖不完整多標簽學習模型包括：視圖特征提取模塊、基于視圖信息的質量感知模塊、動態加權融合模塊和缺失多標簽分類模塊；
7、所述視圖特征提取模塊，用于提取所述不完整多視圖不完整多標簽數據的高階語義特征；
8、所述基于視圖信息的質量感知模塊，用于捕獲所述不完整多視圖不完整多標簽數據的高階語義特征的質量，分配視圖融合權重并獲得最優的融合權重；
9、所述動態加權融合模塊，用于將分配的最優的融合權重結合視圖的先驗缺失信息進行動態加權融合，獲得融合結果；
10、所述缺失多標簽分類模塊，用于根據所述融合結果進行分類，獲得分類結果。
11、可選的，提取所述不完整多視圖不完整多標簽數據的高階語義特征包括：
12、x′v＝fv(xv)
13、其中，x′v和fv(.)分別為從第v個視圖中提取的鑒別特征和第v個視圖的編碼器；xv為第v個視圖中數據的原始特征。
14、可選的，捕獲所述不完整多視圖不完整多標簽數據的高階語義特征的質量，分配視圖融合權重并獲得最優的融合權重包括：
15、根據提取的視圖特征預測第v個視圖中的樣本的類別概率pv，其中分類器由一個全連接層和一個sigmod激活函數組成，將pv轉換為標簽矩陣
16、利用預測的標簽矩陣和真實的標簽矩陣計算每個視圖的分類精度θv和有效標簽的索引矩陣
17、
18、其中，g和w分別是缺失標簽的指示矩陣和缺失視圖的指示矩陣；表示第v個視圖中第i個樣本的第j個標簽有效；
19、通過引入有效標簽的指示矩陣，計算視圖v的分類精度θv：
20、
21、其中，⊙表示點乘操作，表示同或操作；
22、基于所述分類精度作為視圖特征信息質量的一個指標，學習視圖融合權重αv：
23、可選的，將分配的最優的融合權重結合視圖的先驗缺失信息進行動態加權融合，獲得融合結果包括：
24、
25、其中，zi為第i個樣本的融合表示；為從第v個視圖中提取的第i個樣本的新特征向量；av為第v個視圖的融合權重；
26、其中根據所述融合結果進行分類過程中采用二值交叉熵進行目標函數訓練，獲得加權損失為：
27、
28、其中，是融合特征的分類損失，n表示樣本的數量，l表示標簽的數量，pi,j是第i個樣本關于第j個標簽的最終的預測概率，yi,j表示第i個樣本的第j個真實標簽，gi,j表示訓練數據集中給定的第i個樣本的第j個真實標簽是否已知。
29、可選的，所述視圖特征提取模塊還引入了對比學習來捕獲多視圖之間的一致性信息，對比損失為：
30、
31、其中，是計算兩個向量和之間的余弦相似度函數；sneg是負樣本對的余弦相似度的和；w是視圖缺失指示矩陣；wi,v＝1表示第i個樣本在第v個視圖中未缺失，否則該樣本缺失；表示第i個樣本的第v個視圖經過編碼器fv(.)后的輸出特征。
32、可選的，所述基于視圖信息的質量感知模塊還引入了與視圖相關的分類損失為：
33、
34、其中，是視圖的分類損失，v表示視圖的數量，是第v個視圖中的第i個樣本的第j個類別的預測概率，是第v個視圖中有效標簽的指示矩陣本文檔來自技高網...
【技術保護點】
1.一種基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，包括：
2.如權利要求1所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，所述不完整多視圖不完整多標簽學習模型包括：視圖特征提取模塊、基于視圖信息的質量感知模塊、動態加權融合模塊和缺失多標簽分類模塊；
3.如權利要求2所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，提取所述不完整多視圖不完整多標簽數據的高階語義特征包括：
4.如權利要求2所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，捕獲所述不完整多視圖不完整多標簽數據的高階語義特征的質量，分配視圖融合權重并獲得最優的融合權重包括：
5.如權利要求2所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，將分配的最優的融合權重結合視圖的先驗缺失信息進行動態加權融合，獲得融合結果包括：
6.如權利要求5所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征
7.如權利要求6所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，所述基于視圖信息的質量感知模塊還引入了與視圖相關的分類損失為：
8.如權利要求7所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，所述動態加權融合模塊還設計了融合特征空間中的實例結構與原始空間中的實例結構的一致性損失為：
9.如權利要求8所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，所述缺失多標簽分類模塊的分類損失為：
10.如權利要求9所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，所述不完整多視圖不完整多標簽學習模型的訓練損失函數為：
...【技術特征摘要】
1.一種基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，包括：
2.如權利要求1所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，所述不完整多視圖不完整多標簽學習模型包括：視圖特征提取模塊、基于視圖信息的質量感知模塊、動態加權融合模塊和缺失多標簽分類模塊；
3.如權利要求2所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，提取所述不完整多視圖不完整多標簽數據的高階語義特征包括：
4.如權利要求2所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，捕獲所述不完整多視圖不完整多標簽數據的高階語義特征的質量，分配視圖融合權重并獲得最優的融合權重包括：
5.如權利要求2所述的基于視圖信息質量估計的不完整多視圖不完整多標簽學習與分類方法，其特征在于，將分配的最優的融合權重結合視圖的先驗缺失信息進行動態加權融合，獲得融合結...
【專利技術屬性】
技術研發人員：龍江，文杰，程正挺，
申請(專利權)人：湖北本地人科技有限公司，
類型：發明
國別省市：
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。