[发明专利]基于解析型字典学习的多模态模式分类方法

摘要

本发明公开一种可提高分类精确率的基于解析型字典学习的多模态模式分类方法，强化了不同模态数据的特有信息及共有类别信息，将多模态图像特征信息置于一个同时进行字典和分类器学习的框架下进行判决性精炼，有利于后续基于分类器回归结果最大位置索引的分类。同时，应用间隔化的目标策略学习到具有灵活性的分类目标，提升整个模型的判决能力和鲁邦性，提高了分类精确率。

主权项

一种基于解析型字典学习的多模态模式分类方法，包括多模态特征提取、模型训练及分类判决，其特征在于：所述多模态特征提取是提取个样本不同模态的特征，使每个样本均得到种特征列向量，即样本原始数据矩阵；然后对所得到样本原始数据矩阵进行列归一化预处理；所述模型训练的求解模型为：（1）式（1）中：是含有个样本的第v个模态的原始数据矩阵；是对应第v个模态的解析型字典；是对应第v个模态的编码稀疏；是线性分类器，其中，表示样本类别个数；是的串联；是分类器的回归目标矩阵；是标量常数，取值范围；是关于解析型字典的约束集合；是对编码系数稀疏度的约束；是回归目标矩阵的每一列中，正确索引位置与错误索引位置值的差；m为第i个样本点正确位置的索引，为第i个样本点非正确位置的索引；基于交替搜索策略，交替最小化优化求解（1）的目标函数：a. 保持，和不变，更新，将对的约束具化成log‑det正则项加到目标函数中，通过公式推导，得到关于的闭式解；b. 保持，，不变，更新，令目标函数关于的一阶偏导数为零，得到关于的闭式解；c. 保持，，不变，更新，其中包含n个独立的子问题；引入通过学习得到的参数，再应用KKT条件，得到关于每个子问题的解；d. 保持，，不变，更新，先求解，然后提取其对应位置的块矩阵并且通过硬门限算子稀疏处理得到；所述分类判决是提取测试样本的各模态特征并进行预处理，将预处理后的各模态特征通过模型训练过程中获得的解析型字典，获得编码系数，将所得的测试样本的编码系数串联为，再将通过模型训练过程中获得的分类器，获得测试样本的估计标签向量，找到估计标签向量中的最大值的位置，通过这个位置确定此样本点的类别，获得最终的分类结果。