[发明专利]一种基于自编码的物体识别方法

权利要求书

1.一种基于自编码的物体识别方法，其特征在于，包括以下步骤：

首先为训练过程，包括：

S1、从数据库中提取图像数据及其标签，获得有标签的图像数据集；

S2、依据上述数据，训练自编码器进行特征提取，获取目标函数，所述特征提取过程设计Large-Margin正则化方法进行特征提取；

S3、将提取到的特征数据输入到分类器中，结合标签训练分类器，并通过BP算法进行整体调优；

S4、训练过程完成；

其次为识别过程，包括：

S1’、获取待识别分类的图像数据；

S2’、将待识别分类的图像数据输入到已训练好的自编码器中，得到隐层映射空间中的特征数据；

S3’、将上述特征数据输入到已训练好的分类器中进行分类识别；

S4’、识别过程完成；

所述步骤S2中，对自编码器的训练过程如下：

S21、输入数据：对于获得的有标签的图像数据集，把单一样本数据转换成一个向量，与输入层单元相对应，整个训练数据集形成一个矩阵；

S22、更新自编码器函数的参数，具体包括：

S221、在输入层通过映射函数f₁(x)＝s(Wx+b^e)得到隐层数据；

S222、结合训练数据标签计算隐层数据基于k近邻的Large-Mar gin目标函数值；

S223、隐层数据通过映射函数f₂(x)＝s(W^Te+b^z)得到输出层数据；

S224、通过上述步骤中获得的数据计算出目标函数；

S225、判断目标函数是否满足要求值/达到迭代次数，若是，则训练结束，否则执行S226；

S226、通过梯度下降法更新函数f₁、f₂的参数，再转至S221继续执行；

其中，W∈R^n×d为权值矩阵，b^e、b^z分别为编、译码器函数的偏置向量，为sigmoid函数，x∈Rⁿ为输入数据，且e＝f₁(x)(e∈R^d)；

所述目标函数J_L-MAE＝J_AE+λJ_wd+βJ_Large-Margin，其中λ、β为常数参数项；用以最小化编译码器输入输出数据的差异，

用以减小权重的幅度，J_Large-Margin为设计Large-Margin正则化的影响因素；

所述正则化影响因素

其中当为的k近邻样本时否则

当与为同一类时否则且h(s)₊＝max(s，0)。