本發(fā)明涉及圖像模式分類(lèi)的，尤其涉及一種基于柔性因子的競(jìng)爭(zhēng)非負(fù)表示分類(lèi)方法及系統(tǒng)。

背景技術(shù)：

1、模式分類(lèi)領(lǐng)域一直是熱門(mén)研究課題。近年來(lái)，大量的成熟方法已在各領(lǐng)域得到廣泛應(yīng)用。然而，卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network，cnn)模型展現(xiàn)出卓越效能，催生了眾多出色應(yīng)用。盡管其優(yōu)勢(shì)顯著，大量實(shí)驗(yàn)表明，要充分理解數(shù)據(jù)底層分布，往往需要大量的訓(xùn)練數(shù)據(jù)。在數(shù)據(jù)集規(guī)模有限、訓(xùn)練樣本不足的情況下，基于表示的分類(lèi)方法(representation?based?classification?method，rbcm)成為一種頗具吸引力的選擇。

2、基于稀疏表示的分類(lèi)方法(sparse?representation-based?classification，src)將所有訓(xùn)練樣本視為一個(gè)字典，并通過(guò)從該字典中提取的元素對(duì)測(cè)試樣本進(jìn)行線(xiàn)性組合表示。這一過(guò)程中，對(duì)組合系數(shù)施加了范數(shù)約束，從而獲得稀疏表示系數(shù)。協(xié)同表示分類(lèi)方法(collaborative?representation-based?classification，crc)指出了分類(lèi)精度的提升主要源自測(cè)試樣本與來(lái)自不同類(lèi)別的訓(xùn)練樣本之間形成的協(xié)同表示，而非僅僅依賴(lài)于稀疏性。通過(guò)采用正則化，crc能夠在有效降低計(jì)算負(fù)擔(dān)的同時(shí)，實(shí)現(xiàn)與src相近的性能水平。

3、為了解決關(guān)于或正則化對(duì)分類(lèi)性能影響的模糊性，非負(fù)表示分類(lèi)方法(nonnegative?representation-based?classification，nrc)認(rèn)為，雖然利用來(lái)自多個(gè)類(lèi)別的樣本通過(guò)復(fù)雜的加減運(yùn)算來(lái)近似測(cè)試樣本在數(shù)學(xué)上可以得到良好的解釋?zhuān)@與直觀的物理意義相矛盾。在實(shí)際場(chǎng)景中，同類(lèi)樣本往往表現(xiàn)出正相關(guān)性，而異類(lèi)樣本更傾向于顯示無(wú)關(guān)聯(lián)而非負(fù)關(guān)聯(lián)。由此，對(duì)表示系數(shù)施加了非負(fù)約束，以防止產(chǎn)生負(fù)值，促進(jìn)了模型分類(lèi)性能的提升。通過(guò)進(jìn)行大量的實(shí)驗(yàn)，nrc展現(xiàn)出了卓越的性能。

4、但原始nrc與傳統(tǒng)crc在分類(lèi)的流程上并無(wú)任何區(qū)別，表示過(guò)程獨(dú)立于分類(lèi)過(guò)程，nrc忽略了競(jìng)爭(zhēng)表示信息，同時(shí)，nrc沒(méi)有對(duì)表示向量添加額外的約束，導(dǎo)致nrc圖像模式分類(lèi)的性能較低，進(jìn)而導(dǎo)致圖像模式分類(lèi)任務(wù)的準(zhǔn)確率較低的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有圖像模式分類(lèi)技術(shù)中存在忽略了競(jìng)爭(zhēng)表示信息，導(dǎo)致nrc圖像模式分類(lèi)的性能較低，進(jìn)而導(dǎo)致圖像模式分類(lèi)任務(wù)的準(zhǔn)確率較低的問(wèn)題，本發(fā)明提出一種基于柔性因子的競(jìng)爭(zhēng)非負(fù)表示分類(lèi)方法及系統(tǒng)，能夠同時(shí)約束子空間競(jìng)爭(zhēng)表示項(xiàng)和類(lèi)別表示向量，增加各類(lèi)別表示向量的貢獻(xiàn)，完成對(duì)各種圖像分類(lèi)任務(wù)并有效提高圖像分類(lèi)的準(zhǔn)確率。

2、為實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明采用如下技術(shù)方案實(shí)現(xiàn)：

3、一種基于柔性因子的競(jìng)爭(zhēng)非負(fù)表示分類(lèi)方法，所述方法包括以下步驟：

4、獲取用于圖像模式分類(lèi)的測(cè)試樣本與訓(xùn)練樣本集，并對(duì)所述訓(xùn)練樣本集中的樣本進(jìn)行預(yù)處理；

5、基于預(yù)處理后的訓(xùn)練樣本集，計(jì)算測(cè)試樣本在訓(xùn)練樣本集上的表示系數(shù)；

6、基于所述表示系數(shù)對(duì)測(cè)試樣本進(jìn)行分類(lèi)，得到測(cè)試樣本被識(shí)別為最小殘差對(duì)應(yīng)的類(lèi)別。

7、在上述技術(shù)方案中，對(duì)所述訓(xùn)練樣本集中的樣本進(jìn)行預(yù)處理，能夠提高所述訓(xùn)練樣本集中樣本數(shù)據(jù)的可靠性，同時(shí)，提高后續(xù)數(shù)據(jù)計(jì)算的效率；計(jì)算測(cè)試樣本在訓(xùn)練樣本集上的表示系數(shù)，得到的表示系數(shù)，能夠同時(shí)約束子空間競(jìng)爭(zhēng)表示項(xiàng)和類(lèi)別表示向量，增加各類(lèi)別表示向量的貢獻(xiàn)，基于所述表示系數(shù)對(duì)測(cè)試樣本進(jìn)行分類(lèi)，得到測(cè)試樣本被識(shí)別為最小殘差對(duì)應(yīng)的類(lèi)別，有效完成對(duì)各種圖像分類(lèi)任務(wù)并提高圖像分類(lèi)的準(zhǔn)確率。

8、進(jìn)一步地，獲取用于圖像模式分類(lèi)的訓(xùn)練樣本集，表達(dá)式為：

9、

10、其中，ni表示第i類(lèi)訓(xùn)練樣本xi的樣本數(shù)量；c表示樣本總類(lèi)別數(shù)；n表示訓(xùn)練樣本總數(shù)；α表示每個(gè)樣本的特征向量；m表示每個(gè)樣本的特征維度。

11、進(jìn)一步地，對(duì)所述訓(xùn)練樣本集中的樣本進(jìn)行預(yù)處理的過(guò)程包括：

12、對(duì)訓(xùn)練樣本集中的樣本進(jìn)行l(wèi)2范數(shù)歸一化處理。

13、在上述技術(shù)方案中，對(duì)所述訓(xùn)練樣本集中的樣本進(jìn)行l(wèi)2范數(shù)歸一化處理，能夠提高所述訓(xùn)練樣本集中樣本數(shù)據(jù)的可靠性，同時(shí)，提高后續(xù)數(shù)據(jù)計(jì)算的效率。

14、進(jìn)一步地，計(jì)算測(cè)試樣本在訓(xùn)練樣本集上的表示系數(shù)的過(guò)程包括：

15、設(shè)置神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)測(cè)試樣本與訓(xùn)練樣本集的樣本數(shù)據(jù)變化，得到掌握測(cè)試樣本與訓(xùn)練樣本集的樣本數(shù)據(jù)變化的競(jìng)爭(zhēng)非負(fù)表示分類(lèi)模型；

16、競(jìng)爭(zhēng)非負(fù)表示分類(lèi)模型基于測(cè)試樣與訓(xùn)練樣本集，構(gòu)建競(jìng)爭(zhēng)非負(fù)表示分類(lèi)目標(biāo)函數(shù)；

17、求解所述競(jìng)爭(zhēng)非負(fù)表示分類(lèi)目標(biāo)函數(shù)，得到測(cè)試樣本在訓(xùn)練樣本集上的表示系數(shù)。

18、進(jìn)一步地，競(jìng)爭(zhēng)非負(fù)表示分類(lèi)模型基于測(cè)試樣與訓(xùn)練樣本集，構(gòu)建一個(gè)非負(fù)最小二乘問(wèn)題的競(jìng)爭(zhēng)非負(fù)表示分類(lèi)目標(biāo)函數(shù)，表達(dá)式為：

19、

20、使用變量拆分法來(lái)求解表示系數(shù)α，引入輔助變量z，競(jìng)爭(zhēng)非負(fù)表示分類(lèi)目標(biāo)函數(shù)重寫(xiě)成如下形式：

21、

22、其中，第一項(xiàng)表示整體表示誤差項(xiàng)；第二項(xiàng)表示競(jìng)爭(zhēng)表示誤差項(xiàng)，fi表示柔性因子；第三項(xiàng)表示類(lèi)別系數(shù)約束項(xiàng)，y表示測(cè)試樣本，α為表示系數(shù)。λ＞0和γ＞0均表示權(quán)重平衡參數(shù)，xi表示第i類(lèi)訓(xùn)練樣本，αi表示與第i類(lèi)訓(xùn)練樣本相對(duì)應(yīng)的系數(shù)向量。

23、進(jìn)一步地，求解所述競(jìng)爭(zhēng)非負(fù)表示分類(lèi)目標(biāo)函數(shù)的過(guò)程包括：

24、采用交替方向乘子法求解，得到對(duì)應(yīng)的增廣拉格朗日函數(shù)，表達(dá)式為：

25、

26、固定fi，z和δ，更新α，表達(dá)式為：

27、

28、固定α，z和δ，更新fi，表達(dá)式為：

29、

30、固定α，fi和δ，更新z，表達(dá)式為：

31、

32、更新δ，表達(dá)式為：

33、δ＝δ+μ(z-α)；

34、重復(fù)上述迭代步驟，直到滿(mǎn)足交替方向乘子法收斂條件或者迭代次數(shù)超過(guò)預(yù)設(shè)閾值t，得到全局最優(yōu)解；

35、其中，δ表示拉格朗日乘子向量，μ＞0表示懲罰參數(shù)，<δ，z-α>表示兩個(gè)向量的內(nèi)積，初始化變量α0＝fi0＝z0＝δ0＝0，用αt，fit，zt和δt表示迭代為t(t＝0，1，2，...，t)時(shí)的優(yōu)化變量和拉格朗日乘子，t為預(yù)設(shè)閾值。

36、進(jìn)一步地，交替方向乘子法收斂條件的表達(dá)式為：

37、||αt-zt||2≤η，||αt+1-αt||2≤η和||zt+1-zt||2≤η同時(shí)滿(mǎn)足；

38、其中，η表示較小的預(yù)設(shè)閾值。

39、在上述技術(shù)方案中，引入柔性因子，用來(lái)表示測(cè)試樣本于各子空間競(jìng)爭(zhēng)表示之間的誤差。將柔性因子作為每類(lèi)表示向量的權(quán)重，使得競(jìng)爭(zhēng)表示誤差小的類(lèi)別表示向量擁有更高的表示權(quán)重，進(jìn)而提升模型的表示能力。

40、進(jìn)一步地，基于所述表示系數(shù)對(duì)測(cè)試樣本進(jìn)行分類(lèi)的過(guò)程包括：

41、計(jì)算測(cè)試樣本在訓(xùn)練樣本集的每個(gè)類(lèi)別上的殘差，表達(dá)式為：

42、ri＝||y-xiαi||2；

43、根據(jù)殘差進(jìn)行分類(lèi)，測(cè)試樣本被識(shí)別為最小殘差對(duì)應(yīng)的類(lèi)別，表達(dá)式為：

44、

45、其中，xi表示第i類(lèi)訓(xùn)練樣本，αi表示與第i類(lèi)訓(xùn)練樣本相對(duì)應(yīng)的系數(shù)向量。

46、在上述技術(shù)方案中，基于所述表示系數(shù)對(duì)測(cè)試樣本進(jìn)行分類(lèi)，得到測(cè)試樣本被識(shí)別為最小殘差對(duì)應(yīng)的類(lèi)別，有效完成對(duì)各種圖像分類(lèi)任務(wù)并提高圖像分類(lèi)的準(zhǔn)確率。

47、一種基于柔性因子的競(jìng)爭(zhēng)非負(fù)表示分類(lèi)系統(tǒng)，所述系統(tǒng)包括：

48、獲取模塊，用于獲取用于圖像模式分類(lèi)的測(cè)試樣本與訓(xùn)練樣本集；

49、處理模塊，用于對(duì)所述訓(xùn)練樣本集中的樣本進(jìn)行預(yù)處理；

50、計(jì)算模塊，用于基于預(yù)處理后的訓(xùn)練樣本集，計(jì)算測(cè)試樣本在訓(xùn)練樣本集上的表示系數(shù)；

51、分類(lèi)模塊，用于基于所述表示系數(shù)對(duì)測(cè)試樣本進(jìn)行分類(lèi)，得到測(cè)試樣本被識(shí)別為最小殘差對(duì)應(yīng)的類(lèi)別。

52、一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上、并在處理器上運(yùn)行的計(jì)算機(jī)程序，其中，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)一種基于柔性因子的競(jìng)爭(zhēng)非負(fù)表示分類(lèi)方法的步驟。

53、相比現(xiàn)有技術(shù)，本發(fā)明的有益效果在于：

54、本發(fā)明提出一種基于柔性因子的競(jìng)爭(zhēng)非負(fù)表示分類(lèi)方法及系統(tǒng)，首先，對(duì)所述訓(xùn)練樣本集中的樣本進(jìn)行預(yù)處理，能夠提高所述訓(xùn)練樣本集中樣本數(shù)據(jù)的可靠性，同時(shí)，提高后續(xù)數(shù)據(jù)計(jì)算的效率；然后，計(jì)算測(cè)試樣本在訓(xùn)練樣本集上的表示系數(shù)，得到的表示系數(shù)，能夠同時(shí)約束子空間競(jìng)爭(zhēng)表示項(xiàng)和類(lèi)別表示向量，增加各類(lèi)別表示向量的貢獻(xiàn)，基于所述表示系數(shù)對(duì)測(cè)試樣本進(jìn)行分類(lèi)，得到測(cè)試樣本被識(shí)別為最小殘差對(duì)應(yīng)的類(lèi)別，有效完成對(duì)各種圖像分類(lèi)任務(wù)并提高圖像分類(lèi)的準(zhǔn)確率。