[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

说明书

本发明公开了一种基于图像标记特定特征的延迟多标记学习方法，属于机器学习领域的多标记学习技术。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。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。步骤3：训练模型；步骤4：采用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。本方法以公开数据集相关数据为基础，相关模型建立均是基于数据分析比较进行的，最终得到的模型也是服务于数据的比对，整个技术方案是能够有效实施的，本方法能够大大提高标记预测能力，在预测效果和模型的稳定性方面比一般的多标记学习算法有优势。

技术领域

本发明属于机器学习领域的多标记学习技术，涉及一种图像标记预测模型构建的方法，特别是关于一种基于图像标记特定特征的延迟多标记学习方法MLF-KNN(Multi-label-Featurek-NearestNeighbor)。

背景技术

传统监督学习框架认为某一实例只属于某一种类别，学习样本具有单一的语义标记，属于“一对一”的关系。然而现实世界中，学习样本往往是丰富多彩的，一个实例往往具有多个语义信息，属于“一对多”的关系。例如在文本分类领域，一篇新闻报道可能会同时涉及政治和改革两个主题。在图像标注领域，一张风景图片中可能会同时包含蓝天，白云和草原三种标记。在多标记学习框架下，单个样本是由一个实例和多个标记构成的，相比传统机器学习，多标记学习可以更好的反应真实世界所包含的语义信息。多标记学习是一个充满挑战性和前景的课题，最初起源于文本分类，如今已经在图像标注、基因检测、多媒体信息处理、个性化推荐等领域得到广泛应用。但是目前针对多标记学习算法的研究只是对标记之间的相关性进行了考虑，并未从考虑标记特征这一角度出发。因此，在考虑标记之间相关性的基础上，对标记特征信息加以利用改进算法，对于提高多标记算法的标记预测性能和促进多标记学习的发展具有一定的意义。

通常在多标记学习中，定义X∈R^d代表d维实例空间，Y＝ {y₁，y₂，y₃，…，y_q}代表q维标记空间，多标记学习的任务就是从数据集D 中学习得到一个多标记分类方法h:X→2^Y,h(·)也被叫做多标记分类器,其中数据集D＝{(x_i，Y_i)|1≤i≤m}，每个实例样本为(x_i，Y_i)，其中x_i代表一个d维实例向量(x_i1，x_i2，…，x_id)^T，其中x_i∈X。Y_i∈Y是x_i对应的标记集合。多标记分类器h(·)能够对没有出现过的实例x预测其所属标记分类h(x)，其中通常分类器h(·)返回值为一个实数。

目前对多标记算法的研究，大都集中在对标记空间中标记之间相关性的利用上，根据对标记相关性利用程度的不同，可以将多标记学习算法分为一阶算法、二阶算法和高阶算法。[1]一阶算法是将多标记学习转换为传统的二分类学习，并未考虑标记之间的相关性，算法相对简单但学习结果可能并不是最优的。二阶算法考虑标记空间中标记的两两相关性，考虑到标记之间的相关性，该类算法具有很好的泛化性，然而在实际应用中，标记之间的相关性可能已经超过了二阶假设。高阶算法考虑到每个标记与其他所有标记之间的相关性，相比一阶和二阶算法，具有更好的建模能力，但同时对计算要求更高，可伸缩性较差。上述三类算法均假设标记空间中的标记信息具有同等重要性，所有样本共享同一标记特征空间。然而这种算法改进思路可能并不是最优的，因为它忽略了标记特征这一重要信息。例如在识别天空和草原的场景中，颜色特征相比其他标记特征而言应该是相对重要的。在目前多标记学习算法中，大都是直接在原始数据集中训练模型，并未针对每种类别标记对其标记特征进行分析。