[发明专利]一种多类图像半监督分类方法及系统

摘要

本发明公开一种多类图像半监督分类方法及系统，首先对训练集中有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图和归一化的权重，用于表征样本相似性，再初始化一个类标签矩阵，为有效降低“软类别标签”预测标签F中的混合信号对结果的影响，引入l_2,1-范数正则化，同时对F施加非负与列和为1的约束，确保估计的“软标签”满足概率定义和非负性，最后利用参数权衡相似性度量、初始类别标签和l_2,1-范数正则化对分类的影响，完成半监督学习建模，取相似性概率的最大值，用于图像类别鉴定，得到分类结果。通过引入l_2,1-范数正则化，将混合信号对分类的影响降低，使分类精准度有了提高。此外，还可有效对训练集外的数据进行分类，可拓展性好。

主权项

一种多类图像半监督分类方法，其特征在于，包括：对训练集中的有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图，计算得到权重系数矩阵,并对所述权重系数矩阵进行对称化、归一化处理；根据所述训练集中有标签图像样本的类别标签信息，初始化一个类标签矩阵，其中，所述类标签矩阵中额外添加第(c+1)类用于检测异类/未发现的新颖类，c为有标签图像样本的总类别数；引入l_2,1‑范数正则化技术，非负约束，以及列和为1的约束，并基于所述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程，得到“软类别标签”预测矩阵；根据所述“软类别标签”预测矩阵表征的相似性概率，预测所述训练集中无标签图像样本的准确类别，得到直推式图像分类结果，训练完成半监督分类建模，生成训练模型；利用所述训练模型对测试集中的无标签待分类的图像样本进行类别信息的预测，得到所述测试集中的无标签待分类的图像样本的类别标签，以实现对训练集以外数据的归纳过程。