[发明专利]一种基于图像标记特定特征的延迟多标记学习方法

权利要求书

1.一种基于图像标记特定特征的延迟多标记学习方法，其特征在于：针对数据集中图像的每种类别标记构建其对应的标记特征空间进行模型的训练，该方法的实施步骤如下：

步骤1：对原始数据集进行划分，将原始数据集分为训练数据集和测试数据集；划分后的训练数据集用于模型训练，测试数据集用于模型训练性能的检测；

步骤2：对训练数据集进行标记特征提取，构建标记特征空间；针对训练数据集中每种图像标记类别，分别使用支持向量机SVM对其进行聚类分析，构建与当前标记相关的图像样本实例空间和不相关的实例空间；通过对标记特征进行提取，挖掘出与该类别标记最为相关的实例样本以及实例中的相关属性；

步骤3：训练模型，在标记特征空间中，分别对每种图像类别标记采用MLF-KNN算法进行训练，训练结果为包含q个分类器的分类器簇；当有新的图像需要进行分类时，针对该图像包含的每一个标记MLF-KNN方法会选择其对应的分类器进行标记预测以及分类；

步骤4：采用ML-KNN、BoosTexter、BR、RANK-SVM算法对公开酵母数据集Yeast Dataset进行模型的训练预测，并与步骤3的结果对比。

2.根据权利要求1所述的一种基于图像标记特定特征的延迟多标记学习方法，其特征在于：步骤1具体包括对原始数据集进行划分；针对手工构建的图像数据集，使用“留出法”(hold out)直接将原始数据集分为两个互斥的集合；即D＝S∪T，S∩T＝φ,其中S代表训练数据集，T代表测试数据集，φ代表空集；如果采用公开数据集，公开数据集Yeast Dataset已经对训练数据集和测试数据集进行了划分，无须使用“留出法”，直接进行使用即可。

3.根据权利要求1所述的一种基于图像标记特定特征的延迟多标记学习方法，其特征在于：步骤2：确定训练数据集中的标记信息，对每一种标记信息进行聚类分析，得出从属于该标记的样本空间集合和不属于该标记的样本空间集合；这里采用支持向量机进行聚类分析；然后通过对每一种聚簇结果进行查询，从而针对每一种标记信息构建标记特征空间。

4.根据权利要求1所述的一种基于图像标记特定特征的延迟多标记学习方法，其特征在于：步骤3：训练算法，构建多标记学习算法模型；为保持对标记相关性的利用，使用ML-KNN在步骤2中生成的标记特征空间进行训练，而不是原始数据集，同时ML-KNN算法中用到的最大后验概率估计原理对标记特征空间具有良好的适配性；针对每一种类别标记，算法训练的结果会得到对应每一种类别标记的分类器；当对新的图像文件进行分类时，对所有分类器进行遍历迭代预测新图像文件所包含的标记信息，最后将每次预测的标记信息通过矩阵的形式进行组合最为图像类别标记输出；在模型训练过程中考虑标记特征信息，使提出的算法能够达到更好的预测效果。

5.根据权利要求1所述的一种基于图像标记特定特征的延迟多标记学习方法，其特征在于：步骤4：实验结果对比：同时采用ML-KNN、BoosTexter、BR、RANK-SVM算法对YeastDataset数据集进行了预测。

6.根据权利要求1所述的一种基于图像标记特定特征的延迟多标记学习方法，其特征在于：数据集来源从多标记学习领域中公开的数据集直接获取，公开数据集有MNIST、YeastDataset、CIFAR-10、CIFAR-100类型，或者通过人工对图像文件进行标注的方式手动构建数据集。