[发明专利]一种基于自编码的物体识别方法

摘要

本发明涉及一种基于自编码的物体识别方法，首先为训练过程，即对自编码器和分类器进行训练，在对自编码器的训练过程中加入了Large‑Margin正则化项；然后为识别过程，将待识别的物体图像数据，转化为相应格式，输入到已训练好的自编码器和分类器中，进行分类识别。本发明在训练自编码器的过程中加入了Large‑Margin的有监督正则化，使得其映射空间中同类样本点相聚集，异类之间相远离，使得不同类别之间的特征区分的更加明显，从而在特征数据输入到分类器中之后提高其分类识别效果。

主权项

1.一种基于自编码的物体识别方法，其特征在于，包括以下步骤：首先为训练过程，包括：S1、从数据库中提取图像数据及其标签，获得有标签的图像数据集；S2、依据上述数据，训练自编码器进行特征提取，获取目标函数，所述特征提取过程设计Large‑Margin正则化方法进行特征提取；S3、将提取到的特征数据输入到分类器中，结合标签训练分类器，并通过BP算法进行整体调优；S4、训练过程完成；其次为识别过程，包括：S1’、获取待识别分类的图像数据；S2’、将待识别分类的图像数据输入到已训练好的自编码器中，得到隐层映射空间中的特征数据；S3’、将上述特征数据输入到已训练好的分类器中进行分类识别；S4’、识别过程完成；所述步骤S2中，对自编码器的训练过程如下：S21、输入数据：对于获得的有标签的图像数据集，把单一样本数据转换成一个向量，与输入层单元相对应，整个训练数据集形成一个矩阵；S22、更新自编码器函数的参数，具体包括：S221、在输入层通过映射函数f1(x)＝s(Wx+be)得到隐层数据；S222、结合训练数据标签计算隐层数据基于k近邻的Large‑Mar gin目标函数值；S223、隐层数据通过映射函数f2(x)＝s(WTe+bz)得到输出层数据；S224、通过上述步骤中获得的数据计算出目标函数；S225、判断目标函数是否满足要求值/达到迭代次数，若是，则训练结束，否则执行S226；S226、通过梯度下降法更新函数f1、f2的参数，再转至S221继续执行；其中，W∈R^n×d为权值矩阵，b^e、b^z分别为编、译码器函数的偏置向量，为sigmoid函数，x∈Rⁿ为输入数据，且e＝f₁(x)(e∈R^d)；所述目标函数J_L‑MAE＝J_AE+λJ_wd+βJ_{Large‑Margin}，其中λ、β为常数参数项；用以最小化编译码器输入输出数据的差异，用以减小权重的幅度，J_{Large‑Margin}为设计Large‑Margin正则化的影响因素；所述正则化影响因素其中当为的k近邻样本时否则当与为同一类时否则且h(s)₊＝max(s，0)。