[发明专利]一种缺失多视图数据的分类方法及系统

说明书

本发明公开了一种缺失多视图数据的分类方法及系统。该方法包括：由缺失多视图训练样本数据重构第一隐空间，由待测试的缺失多视图样本数据重构第二隐空间；由第一隐空间、缺失多视图训练样本数据和重建损失函数，训练多视图多路神经网络模型，将第一隐空间、真实类标签输入至训练后的模型中，以总损失函数为目标函数调整第一隐空间，直至重建损失函数、总损失函数均收敛，得到训练好的模型和第一完备隐空间；将第二隐空间输入至训练好的模型中，以重建损失函数为目标函数调整第二隐空间，得到第二完备隐空间；由第一完备隐空间和第二完备隐空间，实现对待测试的缺失多视图样本的分类。本发明能够提高针对缺失多视图数据进行分类的准确性。

技术领域

本发明涉及图像分类技术领域，特别是涉及一种缺失多视图数据的分类方法及系统。

背景技术

多视图数据在生活中十分常见，例如，医疗领域的磁共振成像、计算机断层显像等。这些不同类型的数据包含了对病情诊断有效的互补信息，然而整合多种类型的数据并加以充分利用很难实现，加之部分视图数据缺失的问题，建模难度更大。

尽管在近些年多视图学习领域发展快速，但是仍受限于复杂关系的有效建模，现有技术难以有效解决视图缺失的情况。在处理视图缺失问题上，一些技术丢弃缺失数据只保留完整数据，这样会丢失大量数据信息，尤其当样本量稀少时完全无法应用；一些技术按照数据的缺失情况进行分组，各组独立训练，这将无法充分挖掘数据之间的关系，并且当缺失情况多样时也将导致分组情况复杂。这就导致了现有的缺失多视图数据的分类方法无法平衡多视图数据之间的一致性关系和信息互补性，从而导致分类的准确度低。

发明内容

基于此，有必要提供一种缺失多视图数据的分类方法及系统，以提高针对缺失多视图数据进行分类的准确性。

为实现上述目的，本发明提供了如下方案：

一种缺失多视图数据的分类方法，包括：

获取多视图训练集和多视图测试集；所述多视图训练集包括多个缺失多视图训练样本数据和每个缺失多视图训练样本对应的真实类标签；所述多视图测试集包括多个待测试的缺失多视图样本数据；

依据所述缺失多视图训练样本数据重构隐空间，得到第一隐空间，依据所述待测试的缺失多视图样本数据重构隐空间，得到第二隐空间；一个所述缺失多视图训练样本数据对应一个第一隐空间；一个所述待测试的缺失多视图样本数据对应一个所述第二隐空间；

在当前迭代次数下，将上一迭代次数下的第一隐空间作为多视图多路神经网络模型的输入，所述缺失多视图训练样本数据作为所述多视图多路神经网络模型的输出，并以重建损失函数作为目标函数调整所述多视图多路神经网络模型中各个全连接层的权重参数，得到当前迭代次数下训练后的多视图多路神经网络模型；所述多视图多路神经网络模型是由多层全连接层组成的；所述重建损失函数表示所述第一隐空间与所述缺失多视图训练样本数据的近似程度；所述训练后的多视图多路神经网络模型为各全连接层的权重均确定后的多视图多路神经网络模型；

将上一迭代次数下的第一隐空间和所述真实类标签作为训练后的多视图多路神经网络模型的输入，所述缺失多视图训练样本数据作为训练后的多视图多路神经网络模型的输出，并以总损失函数作为目标函数，调整所述第一隐空间，得到当前迭代次数下训练后的第一隐空间；所述总损失函数由所述重建损失函数和分类损失函数构成；所述分类损失函数表示所述第一隐空间的预测类标签与所述真实类标签的近似程度；

判断所述重建损失函数、所述总损失函数是否均收敛；

若是，则将当前迭代次数下训练后的多视图多路神经网络模型确定为训练好的多视图多路神经网络模型，将当前迭代次数下训练后的第一隐空间确定为第一完备隐空间；所述第一完备隐空间的完备程度大于所述第一隐空间的完备程度；一个所述第一隐空间对应一个第一完备隐空间；