[发明专利]一种自步增强图像分类方法及系统

摘要

本发明公开一种自步增强图像分类方法及系统，包括如下步骤：S10：输入用于分类的图像数据及其类别标签，对数据进行特征提取；S20：基于增强学习和自步学习框架，建立数学模型；S30：迭代地更新模型的参数和模型的弱分类器集合，直至收敛；S40：对新输入的测试图像预测其类别。本发明的特点在于充分利用了增强学习方法和自步学习方法的内在一致性和互补性，使学习过程同时注重了分类模型的区分能力和参与学习的图像样本的可靠性，同时实现了有效学习和鲁棒学习。相比于传统的图像分类方法，本发明具有更高的分类准确率和对标签噪声的鲁棒性。

主权项

1.一种自步增强图像分类方法，其特征在于，包括如下步骤：S10：输入用于分类学习的图像数据及其类别标签，对数据进行特征提取，得到可用于机器学习的图像样本特征，具体包括：对已标注了类别标签的图像数据提取空间金字塔特征，得到训练数据集D＝{(x₁,y₁),…,(x_n,y_n)}，其中，是第i个图像的空间金字塔特征，y_i∈{1,…,C}是第i个图像的类别(i＝1,…,n)，n是图像样本的个数，d是特征维度，C是类别的总数；S20：基于增强学习框架和自步学习框架，建立数学模型，具体包括：对训练数据集D，基于增强学习框架，构建分类函数：其中，是一个二分类弱分类器；k是弱分类器的个数；w_rj≥0是待学习的参数；矩阵其中每一列w_r＝[w_r1,…,w_rk]^T；基于自步学习框架，构建目标函数，并添加正则化项：其中，L(·)是损失函数；v_i是样本i的自步学习权重；是自步学习函数，λ>0为其参数；矩阵包含各弱分类器对各样本的输出，[H_ij]＝[h_j(x_i)]，H_i:表示H的第i行；R(W)是正则项；β>0是预设定的权衡参数；S30：根据所建立的数学模型，推导各参数的更新公式，迭代地更新模型的参数和模型的弱分类器集合，直至收敛，得到分类模型；S40：根据所学习到的分类模型，对新输入的测试图像样本进行分类，输出预测的类别标签，具体包括：对新输入的测试图像，提取其空间金字塔特征x，其预测类别为：