[发明专利]一种基于深度层次特征学习的海量图像分类系统有效
申请号: | 201410182971.2 | 申请日: | 2014-05-04 |
公开(公告)号: | CN103955707B | 公开(公告)日: | 2017-08-15 |
发明(设计)人: | 董乐;吕娜;封宁;贺玲 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/46 |
代理公司: | 成都华风专利事务所(普通合伙)51223 | 代理人: | 杨保刚 |
地址: | 611731 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明提供了一种基于深度层次特征学习的海量图像分类系统,包括如下步骤步骤a、输入无标签和有标签图像数据,对无标签图像数据进行预处理,除干扰信息、保留关键信息;步骤b、将预处理之后的图像进行K‑means特征学习,得到本层的字典;步骤c、如本层为第N层,对本层的字典与带标签图像数据集进行特征映射,得到深层次特征后进行步骤e,否则对本层的字典与的无标签图像数据进行特征映射,得到深层次的特征;步骤d、根据深层次特征的相关性,将多个高相关性特征聚合为一个感受野,如本层为N‑1层则进行步骤e,否则作为下一层输入信息送给步骤b;步骤e、在第N层中,将学到的特征输入SVM分类器,进行分类。 | ||
搜索关键词: | 一种 基于 深度 层次 特征 学习 海量 图像 分类 系统 | ||
【主权项】:
一种基于深度层次特征学习的海量图像分类系统,其特征在于包括如下步骤:步骤a、输入无标签和有标签的图像数据,对无标签图像数据进行预处理,去除干扰信息、保留关键信息,作为第一层系统框架输入信息送给下一步处理;预处理包括对多张图片提取patches,同时对patches进行正则化和白化;步骤b、输入信息采用K‑means特征学习方法进行,得到本层的系统框架的字典;步骤c、如本层为第N层,对本层系统框架的字典与带标签图像数据集进行特征映射,得到深层次的特征后进行步骤e,否则对本层系统框架的字典与无标签图像数据进行特征映射,得到深层次的特征;步骤d、根据深层次的特征的相关性,将多个高相关性特征聚合为一个感受野,如本层为N‑1层系统框架则进行步骤e,否则作为下一层系统框架的输入信息送给步骤b;步骤e、在第N层系统框架中,其学到的特征将输入到SVM分类器中,进行最后的分类;步骤b具体为经过步骤a处理后的图像信息进行并行化的深度层次特征学习,在第一层系统框架中,预处理后的patches作为Map节点的输入,采用K‑means特征学习方法进行第一层系统框架的特征学习,得到聚类中心,在Reduce节点上对各个Map节点得到的聚类中心进行综合,得到第一层系统框架的聚类中心,即得到第一层系统框架的字典,如公式(1)所示:D是字典,x(i)是输入的第i个patches,s(i)是x(i)对应的特征表达,D(j)表示第j层系统框架的字典,Ds(i)是相当于D和s(i)的乘法,s(i)相当于是x(i)通过字典D的映射后的特征,Ds(i)在理想状态下,无限接近x(i),因此在调整参数的时候,就需要最小化Ds(i)和x(i)之间的差。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201410182971.2/,转载请声明来源钻瓜专利网。
- 上一篇:一种用于芦柑分级的双层输送装置
- 下一篇:一种压电驱动式喷射方向柔性调整装置