[发明专利]基于鲁棒局部低秩稀疏CNN特征的图像分类方法及装置

说明书

本发明实施例公开了一种基于鲁棒局部低秩稀疏CNN特征的图像分类方法、装置、设备及计算机可读存储介质。其中，方法包括首先利用一般卷积神经网络提取待分类图像的原始深度特征，利用预先构建的投影矩阵对原始深度特征进行低秩与稀疏特征提取，得到分类识别特征；将分类识别特征输入分类模型中，得到待分类图像的标签；其中，投影矩阵为采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征所得，用于提取具有邻域保持能力的低秩与稀疏特征。本申请提供的技术方案增强了分类特征的鲁棒性，提升了图像特征提取的准确性，显著提升了图像分类的精准度。

技术领域

本发明实施例涉及计算机视觉和图像识别技术领域，特别是涉及一种基于鲁棒局部低秩稀疏CNN特征的图像分类方法、装置、设备及计算机可读存储介质。

背景技术

近年来，卷积神经网络(Convolutional Neural Network，CNN)作为一种模仿人脑来处理数据表示和分类任务的计算网络，成功地应用于不同的视觉识别任务，引起了人们的广泛关注。

CNN由交替的卷积层和池化层组成，经过CNN模型处理得到的输出称为特征映射。对于基于CNN模型的图像识别，相似的图像倾向于提供相似的CNN特征，因此由每个主题或类似主题的不同图像构成的CNN特征矩阵应该具有低秩稀疏特性。

当原始数据中包含冗余信息和噪声，由于传统的CNN模型无法处理特征表示过程中去除噪声的任务，导致特征的表示能力和随后的数据分类能力会降低。

发明内容

本公开实施例提供了一种基于鲁棒局部低秩稀疏CNN特征的图像分类方法、装置、设备及计算机可读存储介质，提升了图像特征提取的准确性，显著提升了图像分类的精准度。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种基于鲁棒局部低秩稀疏CNN特征的图像分类方法，包括：

利用卷积神经网络提取待分类图像的原始深度特征；

利用预先构建的投影矩阵对所述原始深度特征进行低秩与稀疏特征提取，得到分类识别特征；

将所述分类识别特征输入分类模型中，得到所述待分类图像的标签；

其中，所述投影矩阵为采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征所得，用于提取具有邻域保持能力的低秩与稀疏特征。

可选的，所述投影矩阵为采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征所得包括：

采用公式(1)计算得到所述投影矩阵：

其中，是截断核范数，为min(n,N)-r个数的奇异值的和；为所述投影矩阵，C_NN为样本图像的原始深度特征，E为错误，α、β、λ为调整参数，为重构错误，W为权重矩阵，n为所述投影矩阵的行数，N为所述投影矩阵的列数，r为所述投影矩阵的秩，l为1范式或2范式。

可选的，所述采用下述公式计算得到所述投影矩阵包括：

对公式(1)进行变换得到：

其中，U∑V^T为PC_NN的奇异值分解，m为奇异向量U的向量维度，V＝(v₁，…，v_r)∈R^n*n，τ＝(u₁，…，u_r)^T，r为奇异向量V的向量维度，为奇异向量V前r个值；