[发明专利]基于深度森林的在线多视角分类方法、系统、装置

说明书

本发明属于机器学习技术领域，具体涉及了一种基于深度森林的在线多视角分类方法、系统、装置，旨在解决深度学习模型不能在线更新，而浅层在线学习模型的分类精度低的问题。本发明方法包括：通过多视角深度森林网络获取多视角数据的分类结果图；将分类结果图的预测标签按列排成与多视角数据图片相同的尺寸；将排列后的分类结果图按标签大小着色为灰度分类结果图并输出。本发明通过在线的方式从数据流中学习，并对模型结构和权重更新，使得模型对不同的数据集有很强的适应性和扩展性，同时还充分利用了多视角数据本身及多视角之间的信息，有效开发深层的特征信息，从而得到更高的在线分类准确率，在线的方式无需存储全部数据，有效节约了资源。

技术领域

本发明属于机器学习技术领域，具体涉及了一种基于深度森林的在线多视角分类方法、系统、装置。

背景技术

目前，深度神经网络方法在很多领域得到了广泛的应用，并取得了巨大的成功，特别是在图像和语音领域。尽管深度神经网络非常强大，但却存在诸多缺陷，如训练过程要求大量的训练数据和具有强大计算能力的设备，模型非常复杂，超参数太多并且不同任务对参数敏感不同等。为此,Zhou等设计了一种具有级联结构的深度森林网络[1]，具有更少的超参数，并且参数对不同任务比较鲁棒；训练花费是可控的，并且适用于小规模的数据集。然而该深度森林算法是离线学习方法，其要求所有训练数据在学习开始时都是可用的，不适用实际情形中数据以数据流的形式不断获取的情况。

在线学习能够有效处理实时数据流问题，是机器学习领域的一个研究热点。在线学习可以从数据流中增量地学习分类模型并且不重复使用之前的样本，适用于动态增长的数据集。现有的方法包括感知器算法，在线被动攻击算法，基于凸包顶点选择的支持向量机方法和在线随机森林方法[2]等。现在从不同信息源、空间及模态获取到的数据越来越丰富，这些不同属性的数据构成多视角数据集。与单视角学习相比，多视角学习可发掘各视角有用特征来改善学习能力。基于多视角学习的极化SAR数据分类器实时更新方法，利用了视角间的一致性和互补性有效提升了分类精度然而，该模型是浅层的线性模型，其分类性能还不够好[3]。本发明以极化SAR数据的在线分类为背景，在分类前先对数据进行超像素分割，而自适应局部迭代聚类方法[4]是一种有效的极化SAR数据超像素分割方法，可提升后续分类的效率和鲁棒性。

总的来说，现有的深度学习模型不能在线更新，而浅层在线学习模型的分类精度又不够高。

以下文献是与本发明相关的技术背景资料：

[1]Zhou Z H,Feng J.Deep forest:towards an alternative to deep neuralnetworks.Proceedings of the 26th International Joint Conference on ArtificialIntelligence.AAAI Press,2017:3553-3559.

[2]B.Lakshminarayanan,D.M.Roy,and Y.W.The.Mondrian forests:Efficientonline random forests.Advances in neural information processing systems,2014.

[3]聂祥丽、黄夏渊、丁曙光、乔红、张波：基于多视角学习的极化SAR数据分类器实时更新方法，2017-12-29.

[4]Xiang D,Ban Y,Wang W,et al.Adaptive superpixel generation forpolarimetric SAR images with local iterative clustering and SIRV model[J].IEEE Transactions on Geoscience and Remote Sensing,2017,55(6):3115-3131.

发明内容