买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学

摘要：一种面向图像分类任务的多层字典学习方法，其能够解除多个字典之间关系定义的局限性，提升字典学习应用于分类问题的精度。这种面向图像分类任务的多层字典学习方法，用于提取图像样本中的类别信息，包括：1将多层字典之间的依赖关系定义为残差学习，基于多层残差判别字典学习框架来学习多层字典及分类器；2基于步骤1学习的多层字典依次计算待分类数据的多轮编码向量，再利用相应的分类器进行分类，加和各分类器预测值得到最终识别结果。

主权项：1.一种面向图像分类任务的多层字典学习方法，其特征在于：该方法用于提取图像中的类别信息，包括以下步骤：1将多层字典之间的依赖关系定义为残差学习，基于多层残差判别字典学习框架来学习多层字典及分类器；2基于步骤1学习的多层字典依次计算待分类图像数据的多轮编码向量，再利用相应的分类器进行分类，加和各分类器预测值得到最终识别结果；所述步骤1中，以迭代的方式串行训练多层字典及与其关联的多层分类器，其中层与层之间有强依赖关系，每层的字典及分类器拟合的目标为前一层字典及分类器的重构残差；其中，第t层字典的重构残差指基于前t层字典计算的t个重构图像样本与原始图像样本的差，第t层分类器的重构残差指基于前t层分类器计算的t个估计标签与真实标签的差；所述步骤1中，对于给定包含N个图像样本的集合最小化式1所示的目标函数联合学习字典和分类器， 其中，第一项为重构误差项，xi为真实图像样本，为基于字典与稀疏编码得到的重构图像样本；第二项为分类误差项，yi为样本真实标签，为基于分类器稀疏编码预测的样本标签；l表示误差函数；本方法通过T轮学习，使得重构图像样本和重构图像样本标签不断逼近真实图像样本和标签，具体到第t轮迭代，式1展开为以下形式： 将式2的目标函数写成可求解形式，得到式3 其中为第i个训练样本在第t轮迭代的拟合目标；S为样本维度；t为迭代索引，1≤t≤T；表示第t个字典，K为字典原子数量；表示第t个分类器，C为类别数；为第i个样本在第t轮迭代的目标标签向量；为第i个样本在第t轮迭代的稀疏表示向量，训练集的稀疏表示矩阵记为 θ为稀疏约束参数；所述步骤2中，对于待分类图像x，第t个测标签向量的具体计算过程如下：e利用步骤1得到的第t个字典得到稀疏编码at 其中xt为第t个字典的学习目标，是待分类图像x和前面t-1轮重构结果的差值即at为稀疏编码向量；用OMP算法求解式11得到第t个稀疏编码at；f利用步骤1得到的第t个分类器对稀疏编码at进行投影，如式12所示得到第t轮的预测标签向量PtPt＝Qtat12重复步骤e及步骤fT次，得到T个预测标签向量；对T个分类器的预测结果求和得到待分类图像x的最终预测标签向量Pfinal：

全文数据：

权利要求：

百度查询： 北京工业大学 一种面向图像分类任务的多层字典学习方法