[发明专利]基于深度特征聚类和语义度量的不相关标签过滤方法

权利要求书

1.基于深度特征聚类和语义度量的不相关标签过滤方法，其特征在于：包括以下步骤：

步骤一：传感器获取图像集X，并将图像集X存储在存储单元内，X＝{x₁,...x_i,...x_n}，其中x_i表示第i个样本图像数据，1≤i≤n，n为正整数；

步骤二：在存储单元内建立与图像集X对应的标签集，标签集包括原始类别标签集U和误标注标签集V；

步骤三、提取图像集图像的深度特征：对图像集X中的样本图像数据x_i提取深度特征，获得深度特征φ(x_i)；

步骤四、对深度特征聚类获取聚类簇：以预设数目k作为类簇数对深度特征φ(x_i)进行聚类，得到聚类簇集合A，A＝{A₁,...,A_f,...A_k}，其中1≤f≤k，k为正整数；

步骤五、构建聚类簇的相关语义标签集合：根据步骤二中的原始类别标签集U获取每个聚类簇A_f的聚类中心的语义标签，以聚类簇A_f聚类中心的语义标签作为相关语义标签y_f，得到聚类簇集合A对应的相关语义标签集合Y，Y＝{y₁,...,y_f,...y_k}；

步骤六、构建聚类簇的待度量标签集合：获取待度量标签集合P，P＝{P₁,...,P_f,...P_k}，P_f表示聚类簇A_f对应的待度量标签集合，根据步骤二中的原始类别标签集U获取每个聚类簇A_f下除聚类中心外的其他类别标签，将聚类簇A_f下除聚类中心外的其他类别标签加入聚类簇A_f对应的待度量标签集合P_f，1≤g≤t，t为正整数；

步骤七、生成语义向量：将相关语义标签集合Y和待度量标签集合P作为输入，获取相关语义标签集合Y的所有语义向量H_f，以及待度量标签集合P中P_f的所有语义向量K_fg；

步骤八、计算语义向量的相关度：计算机根据公式计算相关语义标签集合Y和第f个聚类簇的待度量标签集合P_f中每个标签的相关度Sim_fg，其中||H_f||表示相关语义标签集合Y中相关语义标签y_f的语义向量，||K_fg||表示待度量标签集合P中P_f中第g个标签的语义向量；

步骤九、根据相关度进行不相关标签过滤：将聚类簇A_f中相关度Sim_fg低于阈值η的标签进行删除。

2.按照权利要求1所述的一种基于深度特征聚类和语义度量的不相关标签过滤方法，其特征在于：步骤三中，利用在大型图像数据集Imagenet预训练好的深度卷积残差神经网络模型对图像集X中的样本图像数据x_i提取深度特征，该网络模型由卷积层、残差层以及全连接层组成。

3.按照权利要求1所述的一种基于深度特征聚类和语义度量的不相关标签过滤方法，其特征在于：步骤四中，采用谱聚类算法对深度特征φ(x_i)进行聚类，具体步骤包括：

步骤401：构建深度特征φ(x_i)的相似度矩阵W，W为由s_ij组成的相似度矩阵，σ表示标准差；

步骤402：计算对角矩阵D，D＝{d₁,...d_i,...d_n}，其中

步骤403：根据L＝D-W获取深度特征φ(x_i)的拉普拉斯矩阵L；

步骤404：对拉普拉斯矩阵L进行特征值分解，构建特征向量空间，通过聚类算法对特征向量空间中的特征向量进行聚类，得到聚类簇集合A，A＝{A₁,...,A_f,...A_k}。