[发明专利]基于深度森林的在线多视角分类方法、系统、装置

权利要求书

1.一种基于深度森林的在线多视角分类方法，其特征在于，该分类方法包括：

步骤S10，获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据；

步骤S20，基于所述输入多视角数据，通过多视角深度森林网络，获取所述输入多视角数据的分类结果图；所述多视角深度森林网络包含第一预设数量的层，每一层包含第二预设数量的随机森林；

步骤S30，将所述分类结果图各像素对应的预测标签按各像素在所述输入多视角数据图片中的对应位置排列成与所述输入多视角数据图片相同的尺寸；

步骤S40，将排列后的分类结果图按照各像素对应的预测标签的不同类别着色成灰度分类结果图；

其中，所述多视角深度森林网络，其训练方法为：

步骤B10，初始化所述多视角深度森林网络的不同视角的权重，获得初始化后的多视角深度森林网络；

步骤B20，基于t-1时刻的多视角深度森林网络和t时刻多视角数据以及对应的真实标签在线更新t时刻多视角深度森林网络结构：

步骤B211，当前层中当前树的结构为T＝(T,δ,ξ,τ)，其中，T表示当前树，δ表示树的节点分裂发生的维度，ξ表示树的节点分裂发生的位置，τ表示树的节点分裂发生的时间；

步骤B212，对于输入的第i个视角的样本D⁽ⁱ⁾＝(x⁽ⁱ⁾,y)，设定其中，分别为输入样本x⁽ⁱ⁾所在空间的逐元素计算的下界和上界；e^l、e^u分别为输入样本x⁽ⁱ⁾落在给定区间外时与下界、上界的差，j为树的第j个节点；

步骤B213，从参数为的指数分布中采样，获取树的节点分裂需要增加的分裂时间E，并进行以下更新：如果τ_parent(j)+E＜τ_j，那么采样得到分裂维度δ，δ＝d的概率与成正比，选择设定采样区间采样得到分裂位置，并在当前节点之上插入一个新的父节点，在父节点下生成一个新的叶节点；如果τ_parent(j)+E≥τ_j，则对输入空间的上下界进行更新，判断当前节点j是否是叶节点，如果是，则停止更新当前层的随机森林，如果不是，继续向下迭代；其中，τ_j是内部节点j的分裂时间，parent(j)是节点j的父节点；

步骤B214，当前层的随机森林更新完后，按步骤B211至步骤B213方式更新下一层的随机森林，直至完成整个深度森林的结构更新；

获取所述t时刻多视角数据的预测标签，并计算所述预测标签与真实标签对比的损失函数，更新不同视角的权重；

步骤B30，令t＝t+1，重复执行步骤B20，直至达到预设的训练次数或者所述预测标签的损失函数值低于设定阈值。

2.根据权利要求1所述的基于深度森林的在线多视角分类方法，其特征在于，步骤B10“初始化所述多视角深度森林网络的不同视角间的权重”，其方法为：

不同视角间的权重为β_i,其中，I为视角数量；

设定所述不同视角间的初始权重为：

3.根据权利要求1所述的基于深度森林的在线多视角分类方法，其特征在于，步骤B213中“选择设定采样区间”，其方法为：

如果则设定采样区间为否则，设定采样区间为

其中，为第i个视角的输入样本x⁽ⁱ⁾在维度δ处的取值，为样本空间的下界在维度δ处的取值。

4.根据权利要求1所述的基于深度森林的在线多视角分类方法，其特征在于，步骤B20中“更新不同视角的权重”，其方法为：

步骤B221，完成某一层随机森林结构的更新后，分别计算各视角随机森林对应的预测标签

其中，f_i为视角i的预测向量；

步骤B222，分别将I个视角对应的预测标签和数据真实标签y进行对比，并更新各视角的输出权重：

其中，β_i为视角i的权重；r为衰减率0＜r＜1；为损失函数；

步骤B223，归一化各视角权重：

其中，I为视角数量。