买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】基于深度森林的在线多视角分类方法、系统、装置_中国科学院自动化研究所_201910502702.2 

申请/专利权人:中国科学院自动化研究所

申请日:2019-06-11

公开(公告)日:2021-04-13

公开(公告)号:CN110222778B

主分类号:G06K9/62(20060101)

分类号:G06K9/62(20060101)

优先权:

专利状态码:有效-授权

法律状态:2021.04.13#授权;2019.10.08#实质审查的生效;2019.09.10#公开

摘要:本发明属于机器学习技术领域,具体涉及了一种基于深度森林的在线多视角分类方法、系统、装置,旨在解决深度学习模型不能在线更新,而浅层在线学习模型的分类精度低的问题。本发明方法包括:通过多视角深度森林网络获取多视角数据的分类结果图;将分类结果图的预测标签按列排成与多视角数据图片相同的尺寸;将排列后的分类结果图按标签大小着色为灰度分类结果图并输出。本发明通过在线的方式从数据流中学习,并对模型结构和权重更新,使得模型对不同的数据集有很强的适应性和扩展性,同时还充分利用了多视角数据本身及多视角之间的信息,有效开发深层的特征信息,从而得到更高的在线分类准确率,在线的方式无需存储全部数据,有效节约了资源。

主权项:1.一种基于深度森林的在线多视角分类方法,其特征在于,该分类方法包括:步骤S10,获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据;步骤S20,基于所述输入多视角数据,通过多视角深度森林网络,获取所述输入多视角数据的分类结果图;所述多视角深度森林网络包含第一预设数量的层,每一层包含第二预设数量的随机森林;步骤S30,将所述分类结果图各像素对应的预测标签按各像素在所述输入多视角数据图片中的对应位置排列成与所述输入多视角数据图片相同的尺寸;步骤S40,将排列后的分类结果图按照各像素对应的预测标签的不同类别着色成灰度分类结果图;其中,所述多视角深度森林网络,其训练方法为:步骤B10,初始化所述多视角深度森林网络的不同视角的权重,获得初始化后的多视角深度森林网络;步骤B20,基于t-1时刻的多视角深度森林网络和t时刻多视角数据以及对应的真实标签在线更新t时刻多视角深度森林网络结构:步骤B211,当前层中当前树的结构为T=T,δ,ξ,τ,其中,T表示当前树,δ表示树的节点分裂发生的维度,ξ表示树的节点分裂发生的位置,τ表示树的节点分裂发生的时间;步骤B212,对于输入的第i个视角的样本Di=xi,y,设定其中,分别为输入样本xi所在空间的逐元素计算的下界和上界;el、eu分别为输入样本xi落在给定区间外时与下界、上界的差,j为树的第j个节点;步骤B213,从参数为的指数分布中采样,获取树的节点分裂需要增加的分裂时间E,并进行以下更新:如果τparentj+E<τj,那么采样得到分裂维度δ,δ=d的概率与成正比,选择设定采样区间采样得到分裂位置,并在当前节点之上插入一个新的父节点,在父节点下生成一个新的叶节点;如果τparentj+E≥τj,则对输入空间的上下界进行更新,判断当前节点j是否是叶节点,如果是,则停止更新当前层的随机森林,如果不是,继续向下迭代;其中,τj是内部节点j的分裂时间,parentj是节点j的父节点;步骤B214,当前层的随机森林更新完后,按步骤B211至步骤B213方式更新下一层的随机森林,直至完成整个深度森林的结构更新;获取所述t时刻多视角数据的预测标签,并计算所述预测标签与真实标签对比的损失函数,更新不同视角的权重;步骤B30,令t=t+1,重复执行步骤B20,直至达到预设的训练次数或者所述预测标签的损失函数值低于设定阈值。

全文数据:基于深度森林的在线多视角分类方法、系统、装置技术领域本发明属于机器学习技术领域,具体涉及了一种基于深度森林的在线多视角分类方法、系统、装置。背景技术目前,深度神经网络方法在很多领域得到了广泛的应用,并取得了巨大的成功,特别是在图像和语音领域。尽管深度神经网络非常强大,但却存在诸多缺陷,如训练过程要求大量的训练数据和具有强大计算能力的设备,模型非常复杂,超参数太多并且不同任务对参数敏感不同等。为此,Zhou等设计了一种具有级联结构的深度森林网络[1],具有更少的超参数,并且参数对不同任务比较鲁棒;训练花费是可控的,并且适用于小规模的数据集。然而该深度森林算法是离线学习方法,其要求所有训练数据在学习开始时都是可用的,不适用实际情形中数据以数据流的形式不断获取的情况。在线学习能够有效处理实时数据流问题,是机器学习领域的一个研究热点。在线学习可以从数据流中增量地学习分类模型并且不重复使用之前的样本,适用于动态增长的数据集。现有的方法包括感知器算法,在线被动攻击算法,基于凸包顶点选择的支持向量机方法和在线随机森林方法[2]等。现在从不同信息源、空间及模态获取到的数据越来越丰富,这些不同属性的数据构成多视角数据集。与单视角学习相比,多视角学习可发掘各视角有用特征来改善学习能力。基于多视角学习的极化SAR数据分类器实时更新方法,利用了视角间的一致性和互补性有效提升了分类精度然而,该模型是浅层的线性模型,其分类性能还不够好[3]。本发明以极化SAR数据的在线分类为背景,在分类前先对数据进行超像素分割,而自适应局部迭代聚类方法[4]是一种有效的极化SAR数据超像素分割方法,可提升后续分类的效率和鲁棒性。总的来说,现有的深度学习模型不能在线更新,而浅层在线学习模型的分类精度又不够高。以下文献是与本发明相关的技术背景资料:[1]ZhouZH,FengJ.Deepforest:towardsanalternativetodeepneuralnetworks.Proceedingsofthe26thInternationalJointConferenceonArtificialIntelligence.AAAIPress,2017:3553-3559.[2]B.Lakshminarayanan,D.M.Roy,andY.W.The.Mondrianforests:Efficientonlinerandomforests.Advancesinneuralinformationprocessingsystems,2014.[3]聂祥丽、黄夏渊、丁曙光、乔红、张波:基于多视角学习的极化SAR数据分类器实时更新方法,2017-12-29.[4]XiangD,BanY,WangW,etal.AdaptivesuperpixelgenerationforpolarimetricSARimageswithlocaliterativeclusteringandSIRVmodel[J].IEEETransactionsonGeoscienceandRemoteSensing,2017,556:3115-3131.发明内容为了解决现有技术中的上述问题,即深度学习模型不能在线更新,而浅层在线学习模型的分类精度低的问题,本发明提供了一种基于深度森林的在线多视角分类方法,包括:步骤S10,获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据;步骤S20,基于所述输入多视角数据,通过多视角深度森林网络,获取所述输入多视角数据的分类结果图;所述多视角深度森林网络包含第一预设数量的层,每一层包含第二预设数量的随机森林;步骤S30,将所述分类结果图的预测标签按列排成与所述输入多视角数据图片相同的尺寸;步骤S40,将排列后的分类结果图按照标签的大小着色成灰度分类结果图。在一些优选的实施例中,所述多视角深度森林网络,其训练方法为:步骤B10,初始化所述多视角深度森林网络的不同视角的权重,获得初始化后的多视角深度森林网络;步骤B20,基于t-1时刻的多视角深度森林网络和t时刻多视角数据以及对应的真实标签更新t时刻多视角深度森林网络结构,获取所述t时刻多视角数据的预测标签,并计算所述预测标签与真实标签对比的损失函数,更新不同视角的权重;步骤B30,令t=t+1,重复执行步骤B20,直至达到预设的训练次数或者所述预测标签的损失函数值低于设定阈值。在一些优选的实施例中,步骤B10“初始化所述多视角深度森林网络的不同视角间的权重”,其方法为:不同视角间的权重为βi,其中,I为视角数量;设定所述不同视角间的初始权重为:在一些优选的实施例中,步骤B20中“更新多视角深度森林网络的结构”,其方法为:步骤B211,当前层中当前树的结构为:T=T,δ,ξ,τ其中,T表示当前树,δ表示树的节点分裂发生的维度,ξ表示树的节点分裂发生的位置,τ表示树的节点分裂发生的时间;步骤B212,对于输入的第i个视角的样本Di=xi,y,在树的第j个节点处,设定:其中,分别为输入样本xi所在空间的逐元素计算的下界和上界;el、eu分别为输入样本xi落在给定区间外时与下界、上界的差,j为树的第j个节点;步骤B213,从参数为的指数分布中采样,获取树的节点分裂需要增加的分裂时间E,并进行以下更新:如果τparentj+E<τj,那么采样得到分裂维度δ,δ=d的概率与成正比,选择设定采样区间采样得到分裂位置,并在当前节点之上插入一个新的父节点,在父节点下生成一个新的叶节点;如果τparentj+E≥τj,则对输入空间的上下界进行更新,判断当前节点j是否是叶节点,如果是,则停止更新当前层的随机森林,如果不是,继续向下迭代;其中,τj是内部节点j的分裂时间,parentj是节点j的父节点;步骤B214,当前层的随机森林更新完后,按步骤B201至步骤B204方式更新下一层的随机森林,直至完成整个深度森林的结构更新。在一些优选的实施例中,步骤B213中“选择设定采样区间”,其方法为:如果则设定采样区间为否则,设定采样区间为其中,为第i个视角的输入样本xi在维度δ处的取值,为样本空间的下界在维度δ处的取值。在一些优选的实施例中,步骤B20中“更新不同视角的权重”,其方法为:步骤B221,完成某一层随机森林结构的更新后,分别计算各视角随机森林对应的预测标签其中,fi为视角i的预测向量;步骤B222,分别将I个视角对应的预测标签和数据真实标签y进行对比,并更新各视角的输出权重:其中,βi为视角i的权重;r为衰减率0<r<1;为损失函数;步骤B223,归一化各视角权重:其中,I为视角数量。在一些优选的实施例中,所述损失函数为:其中,为视角i对应的预测标签,y为数据真实标签。本发明的另一方面,提出了一种基于深度森林的在线多视角分类系统,该分类系统包括输入模块、多视角分类模块、排列模块、着色模块、输出模块;所述输入模块,配置为获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据并输入;所述多视角分类模块,配置为基于所述输入多视角数据,通过多视角深度森林网络,获取所述输入多视角数据的分类结果图;所述排列模块,配置为将所述分类结果图的预测标签按列排成与所述输入多视角数据图片相同的尺寸;所述着色模块,配置为将排列后的分类结果图按标签大小着色成灰度分类结果图;所述输出模块,配置为输出获取的灰度分类结果图。本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于深度森林的在线多视角分类方法。本发明的第四方面,提出了一种处理装置,包括处理器、存储装置;所述处理器,适于执行各条程序;所述存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于深度森林的在线多视角分类方法。本发明的有益效果:1本发明基于深度森林的在线多视角分类方法,通过在线的方式从数据流中学习深度森林模型,并根据新来数据对随机森林的结构和不同视角的权重进行更新,从而使模型对不同规模的动态变化数据集有很强的适应性和扩展性。2本发明基于深度森林的在线多视角分类方法,充分利用了多视角数据本身及多视角之间的信息,同时使用了多层随机森林结构,能有效开发深层的特征信息,从而得到更高的在线分类准确率。3本发明基于深度森林的在线多视角分类方法,无需存储全部数据,可以有效节省计算资源。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:图1是本发明基于深度森林的在线多视角分类方法的流程示意图;图2是本发明基于深度森林的在线多视角分类方法一个实施例的全极化合成孔径雷达图像的示意图以及相应的超像素分割图和真实物体类别标记图;图3是本发明基于深度森林的在线多视角分类方法一个实施例的与现有技术分类结果对比图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。本发明的一种基于深度森林的在线多视角分类方法,包括:步骤S10,获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据;步骤S20,基于所述输入多视角数据,通过多视角深度森林网络,获取所述输入多视角数据的分类结果图;所述多视角深度森林网络包含第一预设数量的层,每一层包含第二预设数量的随机森林;步骤S30,将所述分类结果图的预测标签按列排成与所述输入多视角数据图片相同的尺寸;步骤S40,将排列后的分类结果图按照标签的大小着色成灰度分类结果图。为了更清晰地对本发明基于深度森林的在线多视角分类方法进行说明,下面结合图1对本发明方法实施例中各步骤展开详述。本发明一种实施例的基于深度森林的在线多视角分类方法,包括步骤S10-步骤S40,各步骤详细描述如下:步骤S10,获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据。在大数据时代,数据量增多的同时,数据的表示形式也越来越多样化,同一对象不同表现形式的数据即为多视角数据。多视角可以理解为多个数据来源如同一个物体不同传感器数据、同一个事件不同机构的报道等、多种表示方式如一幅图片可以用像素表示、可以用特征表示,同一篇文章不同语言的翻译等、多模态如同一个人的数据可以表示为影像、声音、文字等,照片和照片附带的标签、评论等。多视角数据的每种来源或者类型可能是互为补充的,比如,通过图片可以给未加标签的图片加上标签;也可以是冗余的,比如同一事件不同机构的报道很大程度上是侧重点和风格的不同。本发明实施例中,获取的多视角数据为极化SAR协方差数据,并进行超像素分割。这里采用了一种针对极化SAR数据设计的自适应局部迭代聚类方法进行聚类,首先使用球不变随机向量SIRV乘积模型归一化协方差矩阵,进而计算边缘图;设置超像素数目并初始化聚类中心;然后基于极化、纹理和空间信息设计的自适应距离进行局部迭代聚类,最后消除不连通的像素。从每个超像素中提取极化特征颜色特征纹理特征并在超像素内取平均,作为三个视角数据使用;其中极化特征45维,包括从极化SAR数据中提取的原始特征和基于极化分解的特征;颜色特征34维,包括灰度图像元素、主导颜色权重、HSV图像及其直方图;纹理特征86维,包括局部二值模式直方图,灰度共生矩阵,Gabor和小波变换系数。步骤S20,基于所述输入多视角数据,通过多视角深度森林网络,获取所述输入多视角数据的分类结果图;所述多视角深度森林网络包含第一预设数量的层,每一层包含第二预设数量的随机森林。多视角深度森林网络的训练方法为:多视角深度森林网络的层数L,通过交叉验证的方式选取。本发明实施例中,每个随机森林中随机树的个数为m=100,树进行分裂需要的最小样本个数为min_samples_split=10,。步骤B10,初始化所述多视角深度森林网络的不同视角的权重,获得初始化后的多视角深度森林网络。“初始化所述多视角深度森林网络的不同视角间的权重”,其方法为:本发明实施例中,多视角数据包括了三个视角,三个视角间的权重为β1、β2、β3,不同视角间的权重满足式1所示的关系:设定所述不同视角间的初始权重为:在线训练多视角深度森林网络,其为L层结构,每层有3个随机森林,分别处理3个不同视角的数据,每个森林采用了基于Mondrian过程的随机森林,在线训练过程中,每个森林的结构会随数据流不断更新,各层视角间的权重会随各视角随机森林对数据的预测准确度而不断更新。步骤B20,基于t-1时刻的多视角深度森林网络和t时刻多视角数据以及对应的真实标签更新t时刻多视角深度森林网络结构,获取所述t时刻多视角数据的预测标签,并计算所述预测标签与真实标签对比的损失函数,更新不同视角的权重。对随机森林结构的在线更新方式有三种:一是在现有分裂“之上”引入新的分裂;二是对现有分裂进行扩展;三是将现有的一个叶节点分裂为两个子节点。“更新多视角深度森林网络的结构”,其方法为:步骤B211,当前层中当前树的结构如式2所示:T=T,δ,ξ,τ式2其中,T表示当前树,δ表示树的节点分裂发生的维度,ξ表示树的节点分裂发生的位置,τ表示树的节点分裂发生的时间。步骤B212,对于输入的第i个视角的样本Di=xi,y,el、eu如式3和式4所示:其中,分别为输入样本xi所在空间的逐元素计算的下界和上界;el、eu分别为输入样本xi落在给定区间外时与下界、上界的差,j为树的第j个节点。步骤B213,从参数为的指数分布中采样,获取树的节点分裂需要增加的分裂时间E,并进行以下更新:如果τparentj+E<τj,那么采样得到分裂维度δ,δ=d的概率与成正比,选择设定采样区间采样得到分裂位置,并在当前节点之上插入一个新的父节点,在父节点下生成一个新的叶节点;如果τparentj+E≥τj,则对输入空间的上下界进行更新,判断当前节点j是否是叶节点,如果是,则停止更新当前层的随机森林,如果不是,继续向下迭代。其中,τj是内部节点j的分裂时间,parentj是节点j的父节点。“选择设定采样区间”,其方法为:如果则设定采样区间为否则,设定采样区间为其中,为第i个视角的输入样本xi在维度δ处的取值,为样本空间的下界在维度δ处的取值。步骤B214,当前层的随机森林更新完后,按步骤B201至步骤B204方式更新下一层的随机森林,直至完成整个多视角深度森林网络的结构更新。“更新不同视角的权重”,其方法为:步骤B221,完成某一层随机森林结构的更新后,分别计算各视角随机森林对应的预测标签如式5所示:其中,fi为视角i的预测向量;步骤B222,分别将I个视角对应的预测标签和数据真实标签y进行对比,并更新各视角的输出权重,如式6所示:其中,βi为视角i的权重;r为衰减率0<r<1;为损失函数;步骤B223,归一化各视角权重,如式7所示:βi'=βiβ1+β2+β3式7归一化后,权重β1'+β2'+β3'=1。深度森林中的每一层都会对权重进行更新,最终输出向量f是最后一层三个视角的输出结果的加权,如式8所示:损失函数如式9所示:其中,为视角i对应的预测标签,y为数据真实标签。步骤B30,令t=t+1,重复执行步骤B20,直至达到预设的训练次数或者所述预测标签的损失函数值低于设定阈值。步骤S30,将所述分类结果图的预测标签按列排成与所述输入多视角数据图片相同的尺寸。步骤S40,将排列后的分类结果图按标签大小着色成灰度分类结果图。本发明实施例中使用真实的极化SAR数据做测试实验,此数据是由AIRSAR传感器获取的美国旧金山SanFrancisco地区的L波段四视全极化数据。如图2所示,为本发明基于深度森林的在线多视角分类方法一个实施例的全极化合成孔径雷达图像的示意图以及相应的超像素分割图和真实物体类别标记图,图2左图为该数据的Pauli分解灰度图像,其尺寸为900*1024,图2中图是超像素分割图,图2右图是对应的真实物体分类图,该区域包含4类地物,图2下方给出了不同灰度的区域表示的物体类型。本发明实施例的仿真实验中,使用软件:Python2.7,处理器:IntelRCoreTMi7-6700HQ,内存:16.0GB,操作系统:64位Windows10。实验内容和结果分析:为评估本发明基于深度森林的在线多视角分类方法的效果,进行实验对比的方法包括:现有技术的在线多视角学习算法OMPA,OnlineMulti-viewPassiveAggressive和现有技术的在线Mondrian森林算法OMF,OnlineMondrianForest。这些方法的参数通过交叉验证进行选择,最优参数如下:OMPA的惩罚参数c=0.1,平衡参数λ1=λ2=1,λ3=1.5,耦合参数d=1e-4,权重参数r1=r2=0.3,r3=0.4。OMF参数中随机树的个数为100,最小样本分裂设为2。本发明方法网络层数为3层,每个森林中随机树的个数为100,最小样本分裂设为10。如图3所示,为本发明基于深度森林的在线多视角分类方法一个实施例的与现有技术分类结果对比图,从左到右分别为使用OMPA、OMF和本发明方法的分类结果图。如表1所示,给出了这些方法在测试集上的分类错误率对比结果。从图3以及表1中可以看出,本发明方法的分类结果要明显好于OMPA和OMF的结果,在四个小类上的分类精度均高于OMPA和OMF的分类精度,总精度与OMF相比提升了将近2%,表明本发明方法可实现更高精度的分类结果。表1分类精度%建筑物草地海洋山脉总精度OMPA95.5482.2674.1693.2090.13OMF98.0373.5878.4195.7292.30本发明方法98.1289.9878.9796.2594.02本发明第二实施例的基于深度森林的在线多视角分类系统,该分类系统包括输入模块、多视角分类模块、排列模块、着色模块、输出模块;所述输入模块,配置为获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据并输入;所述多视角分类模块,配置为基于所述输入多视角数据,通过多视角深度森林网络,获取所述输入多视角数据的分类结果图;所述排列模块,配置为将所述分类结果图的预测标签按列排成与所述输入多视角数据图片相同的尺寸;所述着色模块,配置为将排列后的分类结果图按标签大小着色成灰度分类结果图;所述输出模块,配置为输出获取的灰度分类结果图。所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。需要说明的是,上述实施例提供的基于深度森林的在线多视角分类系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于深度森林的在线多视角分类方法。本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于深度森林的在线多视角分类方法。所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器RAM、内存、只读存储器ROM、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备装置所固有的要素。至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

权利要求:1.一种基于深度森林的在线多视角分类方法,其特征在于,该分类方法包括:步骤S10,获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据;步骤S20,基于所述输入多视角数据,通过多视角深度森林网络,获取所述输入多视角数据的分类结果图;所述多视角深度森林网络包含第一预设数量的层,每一层包含第二预设数量的随机森林;步骤S30,将所述分类结果图的预测标签按列排成与所述输入多视角数据图片相同的尺寸;步骤S40,将排列后的分类结果图按照标签的大小着色成灰度分类结果图。2.根据权利要求1所述的基于深度森林的在线多视角分类方法,其特征在于,所述多视角深度森林网络,其训练方法为:步骤B10,初始化所述多视角深度森林网络的不同视角的权重,获得初始化后的多视角深度森林网络;步骤B20,基于t-1时刻的多视角深度森林网络和t时刻多视角数据以及对应的真实标签更新t时刻多视角深度森林网络结构,获取所述t时刻多视角数据的预测标签,并计算所述预测标签与真实标签对比的损失函数,更新不同视角的权重;步骤B30,令t=t+1,重复执行步骤B20,直至达到预设的训练次数或者所述预测标签的损失函数值低于设定阈值。3.根据权利要求2所述的基于深度森林的在线多视角分类方法,其特征在于,步骤B10“初始化所述多视角深度森林网络的不同视角间的权重”,其方法为:不同视角间的权重为其中,I为视角数量;设定所述不同视角间的初始权重为:4.根据权利要求2所述的基于深度森林的在线多视角分类方法,其特征在于,步骤B20中“更新多视角深度森林网络的结构”,其方法为:步骤B211,当前层中当前树的结构为:T=T,δ,ξ,τ其中,T表示当前树,δ表示树的节点分裂发生的维度,ξ表示树的节点分裂发生的位置,τ表示树的节点分裂发生的时间;步骤B212,对于输入的第i个视角的样本Di=xi,y,设定:其中,分别为输入样本xi所在空间的逐元素计算的下界和上界;el、eu分别为输入样本xi落在给定区间外时与下界、上界的差,j为树的第j个节点;步骤B213,从参数为的指数分布中采样,获取树的节点分裂需要增加的分裂时间E,并进行以下更新:如果那么采样得到分裂维度δ,δ=d的概率与成正比,选择设定采样区间采样得到分裂位置,并在当前节点之上插入一个新的父节点,在父节点下生成一个新的叶节点;如果τparentj+E≥τj,则对输入空间的上下界进行更新,判断当前节点j是否是叶节点,如果是,则停止更新当前层的随机森林,如果不是,继续向下迭代;其中,τj是内部节点j的分裂时间,parentj是节点j的父节点;步骤B214,当前层的随机森林更新完后,按步骤B201至步骤B204方式更新下一层的随机森林,直至完成整个深度森林的结构更新。5.根据权利要求4所述的基于深度森林的在线多视角分类方法,其特征在于,步骤B213中“选择设定采样区间”,其方法为:如果则设定采样区间为否则,设定采样区间为其中,为第i个视角的输入样本xi在维度δ处的取值,为样本空间的下界在维度δ处的取值。6.根据权利要求2所述的基于深度森林的在线多视角分类方法,其特征在于,步骤B20中“更新不同视角的权重”,其方法为:步骤B221,完成某一层随机森林结构的更新后,分别计算各视角随机森林对应的预测标签其中,fi为视角i的预测向量;步骤B222,分别将I个视角对应的预测标签和数据真实标签y进行对比,并更新各视角的输出权重:其中,βi为视角i的权重;r为衰减率0<r<1;为损失函数;步骤B223,归一化各视角权重:其中,I为视角数量。7.根据权利要求6所述的基于深度森林的在线多视角分类方法,其特征在于,所述损失函数为:其中,为视角i对应的预测标签,y为数据真实标签。8.一种基于深度森林的在线多视角分类系统,其特征在于,该分类系统包括输入模块、多视角分类模块、排列模块、着色模块、输出模块;所述输入模块,配置为获取同一目标不同属性的特征或不同传感器的数据作为输入多视角数据并输入;所述多视角分类模块,配置为基于所述输入多视角数据,通过多视角深度森林网络,获取所述输入多视角数据的分类结果图;所述排列模块,配置为将所述分类结果图的预测标签按列排成与所述输入多视角数据图片相同的尺寸;所述着色模块,配置为将排列后的分类结果图按标签大小着色成灰度分类结果图;所述输出模块,配置为输出获取的灰度分类结果图。9.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-7任一项所述的基于深度森林的在线多视角分类方法。10.一种处理装置,包括处理器,适于执行各条程序;以及存储装置,适于存储多条程序;其特征在于,所述程序适于由处理器加载并执行以实现:权利要求1-7任一项所述的基于深度森林的在线多视角分类方法。

百度查询: 中国科学院自动化研究所 基于深度森林的在线多视角分类方法、系统、装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。