[发明专利]一种基于KL散度优化的3D物体数据分类系统与方法

摘要

本发明涉及一种基于KL散度优化对3D物体数据进行分类的方法：将原始的图像、文本等数据进行数据预处理，将对象建模成多维分布；从有标签的训练数据中选择一定量的三元组进行模型训练；将所选择的三元组作为训练数据，在所有的均值向量上施加一个线性映射A并通过迭代优化学习最佳的线性映射，学习过程基于度量学习的基本假设，即同类样本之间的距离变小，不同类样本之间的距离变大；采用一种内蕴的梯度下降算法进行优化，将目标函数的梯度投影到同一个流形的切线空间之后，在给定一个仿射不变黎曼度量的SPD矩阵的流形上执行黎曼梯度下降；计算测试集与训练集之间的KL散度，采用K近邻(KNN)分类器对样本进行分类。本方法能够有效地提高系统的分类精度，并且拥有更稳定的性能。

主权项

1.一种基于KL散度优化的数据分类系统，包括：特征提取模块、特征白化模块、多视图特征建模模块、训练数据选择模块、特征映射模块、多视图样本相似度计算模块、基于KL散度的优化模块、最优线性映射下基于KL散度度量的分类模块，其特征在于：特征提取模块用于从包括原始的图像、文本数据中提取出原始数据的多视图特征；特征白化模块将特征提取模块中提取出来的多视图特征统一投影至同一个低维空间之后对特征作白化处理，降低原始数据提取出的多视图特征的冗余，去除不同样本特征间的相关性，再将经过变换后的数据重新变换回原来的空间；多视图特征建模模块用于将特征白化模块处理过的多视图特征建模并进行表征；训练数据选择模块用于从有标签的训练数据中选择一定量的三元组进行模型训练；选择训练数据后，特征映射模块生成投影矩阵，将原有的数据特征映射到一个新的特征空间，在新的特征空间中，同类样本之间的距离变小，不同类样本之间的距离变大；然后，多视图样本相似度计算模块通过在新的特征空间中计算优化的KL散度来度量多视图样本的相似性；基于KL散度的优化模块，用于将KL散度的优化问题建模为一个在正定矩阵群流形上的最小化问题；利用特征映射模块、多视图数据相似度计算模块和基于KL散度的优化模块不断地重复训练模型，直至收敛，从而学习出最优线性映射；最优线性映射下基于KL散度度量的分类模块，用于使用学习到的最优线性映射将原始的数据特征映射到新的特征空间，基于测试集与训练集之间的KL散度，采用K近邻分类器对测试集样本进行分类。