基于深度多核集成回归的图像分类模型构建、图像分类方法、系统

技术领域

本发明涉及图像分类领域，尤其涉及一种基于深度多核集成回归的图像分类模型构建、图像分类方法、系统。

背景技术

随着计算机技术、网络技术和通讯技术的不断发展，图像、视频、音频等多媒体数据己成为信息处理领域中重要的信息媒体形式，其中图像信息占有很重要的地位。如何对海量图像信息进行处理、组织分析和利用是信息处理领域中的一个重要课题，而图像分类是其中的关键技术之一。图像分类技术常被用于安防、交通和医学等领域中，包含了日常生活中常用的人脸识别、医学图像检索分析等技术。传统的图像分类技术包括随机森林、SVM支持向量机、决策树等，这些方法存在着特征提取耗时、对图像的表达能力有限和无法处理大规模数据集等问题。又因为传统的图像分类技术需要手动提取图像特征，并且不同的任务和领域需要不同的特征提取方法，因此泛化性较低。此外，手工提取的特征往往不能很好地表达图像的复杂信息，难以准确分类且高度依赖参数，无法高效处理大规模数据集。而有着高精度和强泛化能力的深度学习技术则能够解决这一问题。这一优点使得深度学习在图像分类领域中的应用广泛且有效。例如，卷积神经网络(CNN)、残差网络(ResNet)和卷积循环神经网络(CRNN)等深度学习模型已被广泛应用于图像分类任务中，可以有效提取图像的特征，增加图像分类的准确度。

综上所述，图像分类存在着样本质量低、特征工程复杂等问题，而传统方法又存在着图像表达能力差、高度依赖参数、泛化能力弱等问题。针对这些问题，如何设计一种高准确率、高效率、强泛化能力的图像分类方法，是我们需要解决的问题。

发明内容

为了解决现有技术中存在的不足，本申请提出了一种基于深度多核集成回归的图像分类模型构建、图像分类方法、系统，。

本发明所采用的技术方案如下：

一种基于深度多核集成回归的图像分类模型构建方法，包括如下步骤：

步骤1、获取图像数据形成样本集；

步骤2、构建基于深度多核集成回归的图像分类模型，将图像数据输入至当前图像分类模型，并进行模型参数训练，对模型中的变量进行求解，然后交替迭代优化；

步骤3、将优化得到的变量代入图像分类模型，完成图像分类模型训练。

进一步，构建所述图像分类模型的过程如下：

步骤2.1、基于集成学习构建所述图像分类模型：建立多个子网络，并为每一个子网络设计了单个回归模型；采用集成框架为所有子网络建立起整体的回归损失函数；在整体的回归损失函数中，建立起层次化模型损失，即为各个子回归模型设置共享参数，以得到集成分类的共享空间，同时也设置了各个子模型的单独参数，以得到子模型有关的回归参数结果；

步骤2.2、对模型中的变量进行求解，然后交替迭代优化，将模型中的变量交替迭代进行优化，直到模型收敛，即可停止训练，得到最终结果；完成模型训练。

进一步，步骤2.1的具体过程：

对于给定数据集

其中，α

对第i个回归分类器上的模型增加平滑项

在整体的集成回归损失函数中，建立起层次化模型损失，即除了为图像表征与输出标签的单个回归模型设置共享参数w

根据L个子网络得到特征集合，输入到回归集成模型中；

添加约束条件，最终整体模型表示为：

其中，

则为模型的平滑项，λ

进一步，步骤2.2中对模型中的变量进行求解的过程如下：

将集成后的整体模型表示如下：

求解变量w

一种图像分类方法，包括如下步骤：

步骤1：采集图像数据，在本实施例中，用户可选择摄像头开始进行图像数据采集，获取需要进行分类的图像数据；

步骤2：将需要进行分类的图像数据输入图像分类模型中，图像分类模型则是采用上述方法构建而得；利用图像分类模型进行图像分类，输出分类结果，完成对图像的分类。

一种图像分类系统，包括：

图像获取单元，用于获取待分类图像；

图像识别单元，接收图像获取单元所获取的图像数据，并利用上述方法构建的图像分类模型进行分类识别。

进一步，将图像分类模型内置于处理器中，由处理器执行图像分类任务。

本发明的有益效果：

(1)基于多视图数据建模思想，提出了一种新的深度核集成回归方法。利用这一思想，将传统的核脊回归方法发展为多核集成回归方法，解决了寻找合适核类型及其参数的问题。

(2)由于所提出的多视图子回归器具有共同的结构和不同的性质，开发了一种深度的层次化集成回归方法，以进一步提高所提出方法的鲁棒性。将模型部署到图像分类平台上，在不同的图像分类任务上验证了我们提出的深度集成回归模型的优越性，即使是在处理高维数据时，也能保证高效率和高准确率。

附图说明

图1是本发明一种基于深度多核集成回归的图像分类模型构建及图像分类方法方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

实施例1

一种基于深度多核集成回归的图像分类模型构建方法，包括如下步骤：

步骤1、获取图像数据形成样本集；

步骤2、构建基于深度多核集成回归的图像分类模型，将图像数据输入至当前图像分类模型，并进行模型参数训练，对模型中的变量进行求解，然后交替迭代优化；

步骤3、将优化得到的变量代入图像分类模型，完成图像分类模型训练。

在本实施例中，基于集成学习，建立多个子网络，并为每一个子网络设计了单个回归模型，然后采用集成框架为所有子网络建立起整体的回归损失函数。在整体的集成回归损失函数中，建立起层次化模型损失，即为各个子回归模型设置共享参数，以得到集成分类的共享空间，同时也设置了各个子模型的单独参数，以得到子模型有关的回归参数结果；具体过程如下：

步骤2.1、对于给定数据集

其中，α

同时对第i个回归分类器上的模型增加平滑项

此外，在整体的集成回归损失函数中，建立起层次化模型损失，即除了为图像表征与输出标签的单个回归模型设置共享参数w

其中，

添加约束条件：引入拉格朗日乘子，将整个含约束条件的核集成回归模型中转化为无约束问题，来实现最小化模型损失，来学习优化更多的参数，来进一步增强模型在不同数据集数据上的准确性和鲁棒性；故约束条件如下：

因此，最终整体模型如下：

步骤2.2、对模型中的变量进行求解，然后交替迭代优化，过程如下：

将集成后的整体模型表示如下：

其中，μ

(1)求解w

最终得到更新的关于w

为了方便在核空间中计算，将x

拓展到核空间，根据：

(P

令

即：

令

有：

w

其中，φ为核表达，φ

(2)求解H

其中，H

(3)求解α，有：

α＝(H

(4)求解w

通过不断调试参数得出最佳性能，最终得到最佳参数λ

η

ξ

其中，：＝表示为对变量赋值，θ

将模型中的变量交替迭代进行优化，直到模型收敛，即可停止训练，得到最终结果。

在本实施例中，将图像作为原始数据样本直接交由模型进行学习，避免了大型数据集可能出现的特征工程复杂的问题，同时采用深度网络以应对大量的未经筛选的数据，来实现高效率，用多层次的网络来保证高准确率，

本发明通过引入ALM优化算法与矩阵求逆引理，将该回归集成模型的参数转换为多核空间中对应的核参数，得到多核集成回归的多核空间，对核空间进行参数化，可以解决在有限维空间或系数α

采用核方法可以得到一个函数L，并将问题转化为寻找函数的最优解。此外，为了将所有独立核损失组合起来，在集成损失框架中需要使用多个约束条件。同时，在一个统一的损失函数中，可以通过最小化集成损失来同时学习和优化参数，来达到提高数据集测试精度的目的。

实施例2

基于上述方法构建得到的图像分类模型，本申请还提出了一种图像分类方法，包括如下步骤：

步骤1：采集图像数据，在本实施例中，用户可选择摄像头开始进行图像数据采集，获取需要进行分类的图像数据；

步骤2：将需要进行分类的图像数据输入图像分类模型中，图像分类模型则是采用上述方法构建而得；利用图像分类模型进行图像分类，输出分类结果，完成对图像的分类。

实施例3

一种图像分类系统，包括：

图像获取单元，用于获取待分类图像；

图像识别单元，接收图像获取单元所获取的图像数据，并利用上述方法构建的图像分类模型进行分类识别；在本实施例中，可以将图像分类模型内置于处理器中，由处理器执行图像分类任务。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。