申请/专利权人:广东技术师范大学
申请日:2020-11-25
公开(公告)日:2024-04-26
公开(公告)号:CN112241768B
主分类号:G06V10/764
分类号:G06V10/764;G06V10/772
优先权:
专利状态码:有效-授权
法律状态:2024.04.26#授权;2021.02.05#实质审查的生效;2021.01.19#公开
摘要:本发明涉及一种基于深度分解字典学习的精细图像分类方法,其特征在于包括:一,构造输出层字典学习和分类器学习模型;二,采取梯度下降法对输出层的目标函数进行求解,以获得输出层的分解字典和分类器模型;三,利用分类器模型和输出层分解字典里的分解原子,计算测试样本的类标矢量以获得分解系数,并结合分类器模型获得测试精细图像的类标矢量;四,在类标矢量中,选择最大元素对应的索引即为测试精细图像对应的类标,从而完成测试精细图像的分类。本发明针对精细图像分类具有较低的类间差异,提高了精细图像分类系统的性能。
主权项:1.一种基于深度分解字典学习的精细图像分类方法,其特征在于,主要包括以下步骤:第一步,输入精细图像,输入的过程中把其所有的像素值作为一个输入列矢量,以把精细图像的二维数据转换为一维的特征矢量;第二步,利用特定类的K-SVD算法和精细图像样本为每类精细图像学习的一个特定类的合成字典,并把它们的转置矩阵作为特定类分解字典的初始矩阵;第三步,构造第1层字典;在分解字典学习中,分解系数矩阵的每行可以定义为一个profile;利用原子和分解系数矩阵的行向量profiles的Fisher判别准则构造第一层的Fisher嵌入判别对模型,并结合分解字典的基本模型设计深度分解字典学习算法的第一层目标函数;第四步,构造第n-1层字典;利用第n-1层学习的分解系数作为第n层的输入数据,并利用第n层学习的分解字典和profiles构造第n层的Fisher嵌入判别对模型,然后结合分解字典学习模型构造第n层的目标函数;第五步,构造输出层字典学习和分类器学习模型;利用第n层学习的分解系数作为输出层的输入数据,然后利用输出层的分解字典和profiles构造Fisher嵌入判别对模型,在此基础上利用第n层分解系数的类标信息和输出层的分解原子构造分类器学习模型,再结合分解字典学习模型构造输出层的目标函数,从而在输出层学习出分类器学习模型;采取梯度下降法对输出层的目标函数进行求解,以获得输出层的分解字典和分类器模型;第六步,利用分类器模型和输出层分解字典里的分解原子,计算测试样本的类标矢量以获得分解系数,并结合分类器模型获得测试精细图像的类标矢量;第七步,在类标矢量中,选择最大元素对应的索引即为测试精细图像对应的类标,从而完成测试精细图像的分类。
全文数据:
权利要求:
百度查询: 广东技术师范大学 一种基于深度分解字典学习的精细图像分类方法
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。