[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

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。

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。