CN111259917B - 一种基于局部近邻成分分析的图像特征提取方法 - Google Patents

一种基于局部近邻成分分析的图像特征提取方法 Download PDF

Info

Publication number
CN111259917B
CN111259917B CN202010104785.2A CN202010104785A CN111259917B CN 111259917 B CN111259917 B CN 111259917B CN 202010104785 A CN202010104785 A CN 202010104785A CN 111259917 B CN111259917 B CN 111259917B
Authority
CN
China
Prior art keywords
image
images
low
training
feature extraction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010104785.2A
Other languages
English (en)
Other versions
CN111259917A (zh
Inventor
聂飞平
户战选
王榕
李学龙
王政
王瀚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010104785.2A priority Critical patent/CN111259917B/zh
Publication of CN111259917A publication Critical patent/CN111259917A/zh
Application granted granted Critical
Publication of CN111259917B publication Critical patent/CN111259917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于局部近邻成分分析的图像特征提取方法。首先，构建特征提取神经网络模型，并进行网络参数和记忆银行初始化；然后，对训练数据集进行子集划分，提取其低维特征，利用记忆银行矩阵在低维特征空间中寻找每个样本的k近邻，并对原子集合和k近邻集合按照标签进行集合划分，以得到的所有集合中样本的相似性度量函数为目标函数进行网络迭代训练；最后，利用训练好的特征提取网络对待处理图像进行特征提取。本发明方法可以使得同类样本的特征向量在低维空间中聚集，不同类样本的特征向量在低维空间中分散，从而使得原始数据在低维空间中具备明显的聚类结构，能够更加有效地用于图像聚类和图像检索。

Description

一种基于局部近邻成分分析的图像特征提取方法
技术领域
本发明属机器学习和计算机视觉技术领域，具体涉及一种基于局部近邻成分分析的图像特征提取方法，也可用于图像聚类和图像检索。
背景技术
随着信息技术的发展，图像、视频、音频等数据呈现几何式地增长。机器学习作为挖掘数据潜在信息的关键技术，已逐渐成为学术界和工业界的重点研究领域，被广泛应用于人脸识别、图像检索、行人再识别等计算机视觉问题。在实际应用场景中，机器学习算法的性能往往受到输入特征的影响。但采集的原始图像数据往往具有高维数、多冗余、多噪音等特点，如何从原始图像数据中提取一个好的低维特征一直以来是机器学习领域的研究难点。
近年来，随着深度神经网络的发展，深度图像特征提取已经成为解决上述难点的关键技术之一，其旨在利用深度神经网络学习一个非线性映射函数。该映射函数能够将原始图像数据投影到一个低维空间，在该空间中同类样本的特征向量距离近、相似性强，异类样本的特征距离远、相似性弱。目前，已经有大量有关深度特征提取的关键性技术被提出，其大致可以分为三类：1)损失函数设计；2)采样方法设计；3)集成学习。文献“F.Schroff,D.Kalenichenko,and J.Philbin,“Facenet:A unified embedding for facerecognition and clustering,”in Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition,2015,pp.815–823.”提出了一种基于三边的损失函数，为深度特征提取提供了一种新的学习范式。文献“C.-Y.Wu,R.Manmatha,A.J.Smola,andP.Krahenbuhl,“Sampling matters in deep embedding learning,”in Proceedings ofthe IEEE International Conference on Computer Vision,2017,pp.2840–2848”提出了一种基于距离的权重采样方法。为了降低三边损失函数带来的算法不稳定性，提高算法的收敛速度并降低时间消耗，文献“K.Sohn,“Improved deep metric learning with multi-class n-pair loss objective,”in Proceedings of the Advances in NeuralInformation Processing Systems,2016,pp.1857–1865.”提出一种N-pair损失函数。此外，文献“M.Opitz,G.Waltner,H.Possegger,and H.Bischof,“Bier-boostingindependent embeddings robustly,”in Proceedings of the IEEE InternationalConference on Computer Vision,2017,pp.5189–5198.”利用集成学习的思想同时训练多个神经网络，并将学习到的低维表示进行融合。最近，文献“K.Sohn,“Improved deepmetric learning with multi-class n-pair loss objective,”in Proceedings of theAdvances in Neural Information Processing Systems,2016,pp.1857–1865.”通过对多种损失函数和采样方法进行分析，提出了一个统一的学习框架，为深度图像特征提取领域提供了一个新的研究视角。
上述算法都推动了深度图像特征提取的发展，并取得了较好的实验结果。但是，受深度学习训练方法的影响，上述方法存在两点不足：1)在每一次的迭代训练过程中没有利用全局的数据结构信息；2)忽略了数据在低维空间中的近邻结构分布。上述两个问题往往导致学习到的映射函数在实际场景中泛化性能较差。
发明内容
为了克服现有技术的不足，本发明提供一种基于局部近邻成分分析的图像特征提取方法。首先，构建特征提取神经网络模型，并进行网络参数和记忆银行初始化；然后，对训练数据集进行子集划分，提取其低维特征，利用记忆银行矩阵在低维特征空间中寻找每个样本的k近邻，并对原子集合和k近邻集合按照标签进行集合划分，以得到的所有集合中样本的相似性度量函数为目标函数进行网络迭代训练；最后，利用训练好的特征提取网络对待处理图像进行特征提取。本发明方法可以使得同类样本的特征向量在低维空间中聚集，不同类样本的特征向量在低维空间中分散，从而使得原始数据在低维空间中具备明显的聚类结构，能够更加有效地用于处理图像聚类以及图像检索任务。
一种基于局部近邻成分分析的图像特征提取方法，其特征在于步骤如下：
步骤1：提取Resnet50卷积神经网络模型中的特征提取模块作为特征提取神经网络模型，并以其在Imagenet数据集上训练得到的网络参数为初始化参数，设定特征提取网络的批次样本输入个数为b，b的取值为32、64或128；
随机初始化记忆银行矩阵
Figure GDA0003537457080000021
矩阵
Figure GDA0003537457080000022
的大小为n×d，n为带有标签的图像训练数据集X所包含的图像数量，n为b的整数倍，d为低维特征维数，取值为64、128或256；
步骤2：将训练数据集X随机划分成t个不相交的数据子集X1、X2、…、Xt，t＝n/b，每个子集包含b幅图像，以每个数据子集为步骤1得到的预训练特征提取神经网络模型的输入，设定目标函数为相似性度量函数，学习率为e-5，训练次数xmax为50000，衰减次数为10000，采用Adam优化算法进行网络训练，具体为：
步骤2.1：初始化子集序号p＝1；
步骤2.2：将数据子集Xp输入到步骤1得到的预训练特征提取神经网络模型，输出即为子集中每一幅图像的一个低维特征向量，设其中第i幅图像
Figure GDA0003537457080000031
的低维特征向量为
Figure GDA0003537457080000032
按下式对记忆银行矩阵
Figure GDA0003537457080000033
中的第(p-1)b+i行进行更新：
Figure GDA0003537457080000034
其中，
Figure GDA0003537457080000035
表示更新后的记忆银行矩阵
Figure GDA0003537457080000036
的第(p-1)b+i行向量，
Figure GDA0003537457080000037
表示更新前记忆银行矩阵
Figure GDA0003537457080000038
的第(p-1)b+i行向量，m为记忆更新参数，m＝0.8；
步骤2.3：对于子集中每一幅图像
Figure GDA0003537457080000039
利用其标签将子集划分为正样本集合Pi p和负样本集合
Figure GDA00035374570800000310
其中，正样本集合Pi p包括子集Xp中所有与
Figure GDA00035374570800000311
标签相同的图像，负样本集合
Figure GDA00035374570800000312
包括子集Xp中所有与
Figure GDA00035374570800000313
标签不同的图像；并根据图像
Figure GDA00035374570800000314
的标签将其k近邻图像集
Figure GDA00035374570800000315
划分为两个集合
Figure GDA00035374570800000316
和
Figure GDA00035374570800000317
所述的k近邻图像集
Figure GDA00035374570800000318
是指更新后的记忆银行矩阵
Figure GDA00035374570800000319
中与行向量
Figure GDA00035374570800000320
欧式距离最小的k个行向量所对应的图像构成的集合，
Figure GDA00035374570800000321
是由
Figure GDA00035374570800000322
中与
Figure GDA00035374570800000323
的标签相同的图像构成的集合，
Figure GDA00035374570800000324
是由
Figure GDA00035374570800000325
中与
Figure GDA00035374570800000326
的标签不同的图像构成集合；
步骤2.4：利用下式计算相似性度量函数值L：
Figure GDA00035374570800000327
其中，L表示度量损失；α表示控制正样本对的尺度参数，取值范围是α∈[1,5]；β表示控制负样本对的尺度参数，取值范围是β∈[10,50]；λ表示间隔，取值范围是λ∈[0.1,0.5]；
Figure GDA00035374570800000328
表示图像
Figure GDA00035374570800000329
的低维特征向量与集合Pi p中第l1幅图像的低维特征向量的内积，l1＝1,…,K1，K1表示集合Pi p中图像的数量，
Figure GDA00035374570800000330
表示图像
Figure GDA00035374570800000331
的低维特征向量与集合
Figure GDA00035374570800000332
中第l2幅图像的低维特征向量的内积，l2＝1,…,K2，K2表示集合
Figure GDA00035374570800000333
中图像的数量，
Figure GDA00035374570800000334
表示图像
Figure GDA00035374570800000335
的低维特征向量与集合
Figure GDA00035374570800000336
中第l3幅图像的低维特征向量的内积，l3＝1,…,K3，K3表示集合
Figure GDA00035374570800000337
中图像的数量，
Figure GDA00035374570800000338
表示图像
Figure GDA00035374570800000339
的低维特征向量与集合
Figure GDA00035374570800000340
中第l4幅图像的低维特征向量的内积，l4＝1,…,K4，K4表示集合
Figure GDA0003537457080000041
中图像的数量；
步骤2.5：令p＝p+1，返回步骤2.2，采用Adam算法进行反向传播更新网络参数，当p等于t+1时，重新将训练数据集X随机划分成t个不相交的数据子集，并以重新划分后的数据子集为输入，返回步骤2.1；
每返回步骤2.1或步骤2.2，训练次数加1，直至达到设定的训练次数xmax，停止训练，此时得到的神经网络模型即为最终的特征提取网络模型；所述的训练次数的初始值为1；
步骤3：将待处理图像数据集输入到步骤2得到最终的特征提取网络，输出即为其中每一幅图像的低维特征向量。
本发明的有益效果是：由于采用了记忆银行机制，使得训练数据的全局信息得以较好地保留，且大大减少计算消耗；由于考虑了样本的局部近邻信息，使得训练样本在低维空间具备明显的聚类结构；由于在神经网络训练阶段利用全局相似信息完善训练样本在低维空间中局部近邻成分，使得提取的图像特征具备明显的聚类结构，将其用于图像聚类和图像检索，将具有更高的精度。
附图说明
图1是本发明的一种基于局部近邻成分分析的图像特征提取方法基本流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
如图1所示，本发明提供了一种基于局部近邻成分分析的图像特征提取方法，其具体实现过程如下：
1、预训练神经网络
本发明采用ResNet-50神经网络模型的特征提取模块作为训练特征提取神经网络模型的基本架构，保留ResNet-50的特征提取模块以及其在Imagenet数据集上进行预训练得到的网络参数。设定网络输入变量个数为b，b的取值为32、64或128。
同时，准备有标签的图像训练数据集X，并且对记忆银行
Figure GDA0003537457080000042
进行随机初始化。其中，数据集包括带有标签的图像n幅，n为b的整数倍，
Figure GDA0003537457080000043
为大小为n×d的矩阵，d为低维特征维数，取值为64、128或256。
2、训练特征提取网络
将训练数据集X随机划分成t个不相交的数据子集X1、X2、…、Xt，t＝n/b，每个子集包含b幅图像，以每个数据子集为步骤1得到的预训练特征提取神经网络模型的输入，设定目标函数为相似性度量函数，学习率为e-5，训练次数为50000，衰减次数为10000。采用Adam算法进行优化，更新网络参数，具体为：
(1)初始化子集序号p＝1；
(2)计算特征向量并更新记忆银行：
将第p个数据子集Xp输入到步骤1得到的预训练特征提取神经网络模型，输出即为该子集的低维特征Vp，设其中第i幅图像
Figure GDA0003537457080000051
的低维特征向量为
Figure GDA0003537457080000052
按下式对记忆银行矩阵
Figure GDA0003537457080000053
中的第(p-1)b+i行进行更新：
Figure GDA0003537457080000054
其中，
Figure GDA0003537457080000055
表示更新后的记忆银行矩阵
Figure GDA0003537457080000056
的第(p-1)b+i行向量，
Figure GDA0003537457080000057
表示更新前记忆银行矩阵
Figure GDA0003537457080000058
的第(p-1)b+i行向量，m为记忆更新参数，m＝0.8；
(3)样本对集合构建：
对于第p个数据子集Xp中每一幅图像
Figure GDA0003537457080000059
利用其标签将子集划分为正样本集合Pi p和负样本集合
Figure GDA00035374570800000510
其中，正样本集合Pi p包括子集Xp中所有与
Figure GDA00035374570800000511
标签相同的图像，负样本集合
Figure GDA00035374570800000512
包括子集Xp中所有与
Figure GDA00035374570800000513
标签不同的图像；并根据图像
Figure GDA00035374570800000514
的标签将其k近邻图像集
Figure GDA00035374570800000515
划分为两个集合
Figure GDA00035374570800000516
和
Figure GDA00035374570800000517
所述的k近邻图像集
Figure GDA00035374570800000518
是指更新后的记忆银行矩阵
Figure GDA00035374570800000519
中与行向量
Figure GDA00035374570800000520
欧式距离最小的k个行向量所对应的图像构成的集合，
Figure GDA00035374570800000521
是由
Figure GDA00035374570800000522
中与
Figure GDA00035374570800000523
的标签相同的图像构成的集合，
Figure GDA00035374570800000524
是由
Figure GDA00035374570800000525
中与
Figure GDA00035374570800000526
的标签不同的图像构成集合；
(4)相似性度量：
利用低维特征Vp以及对应的集合
Figure GDA00035374570800000527
进行相似性度量，设置网络的相似性度量函数如下：
Figure GDA00035374570800000528
其中，L表示度量损失；α表示控制正样本对的尺度参数，取值范围是α∈[1,5]；β表示控制负样本对的尺度参数，取值范围是β∈[10,50]；λ表示间隔，取值范围是λ∈[0.1,0.5]；
Figure GDA0003537457080000061
表示图像
Figure GDA0003537457080000062
的低维特征向量与集合Pi p中第l1幅图像的低维特征向量的内积，l1＝1,…,K1，K1表示集合Pi p中图像的数量，
Figure GDA0003537457080000063
表示图像
Figure GDA0003537457080000064
的低维特征向量与集合
Figure GDA0003537457080000065
中第l2幅图像的低维特征向量的内积，l2＝1,…,K2，K2表示集合
Figure GDA0003537457080000066
中图像的数量，
Figure GDA0003537457080000067
表示图像
Figure GDA0003537457080000068
的低维特征向量与集合
Figure GDA0003537457080000069
中第l3幅图像的低维特征向量的内积，l3＝1,…,K3，K3表示集合
Figure GDA00035374570800000610
中图像的数量，
Figure GDA00035374570800000611
表示图像
Figure GDA00035374570800000612
的低维特征向量与集合
Figure GDA00035374570800000613
中第l4幅图像的低维特征向量的内积，l4＝1,…,K4，K4表示集合
Figure GDA00035374570800000614
中图像的数量。
(5)令p＝p+1，返回步骤(2)，采用Adam算法进行反向传播更新网络参数，使前面得到的相似性度量值最小，当p等于t+1时，重新将训练数据集X随机划分成t个不相交的数据子集，并以重新划分后的数据子集为输入，返回步骤(1)。
每返回一次即迭代一次，迭代次数加1，直至达到设定的训练次数50000，停止迭代，此时得到的神经网络模型即为最终的特征提取网络模型；所述的迭代次数的初始值为1。
3、特征提取
将待处理图像数据集输入到步骤2得到最终的特征提取网络，输出即为其低维特征。
为验证本发明方法的有效性，分别将本发明得到的结果用于图像检索和图像聚类。在CUB200、Cars196、Stanford Online Products、In-Shop Clothes四个标准数据集上进行测试。使用Python软件Pytorch框架进行仿真实验。数据集的信息如表1所示，基于本发明方法结果得到的图像聚类以及检索结果如表2所示，其中，召回率表示图像的检索准确率，其值越大越好，表示检索精度越高，归一化互信息熵表示聚类结果和原始标签的相似度，其值越大越好，表明聚类精度越高。可以看出，将本发明方法的结果用于图像检索和图像聚类中都取得了较好的实验结果。
表1
Figure GDA00035374570800000615
Figure GDA0003537457080000071
表2
数据集 召回率(％) 归一化互信息熵
CUB200 64.8 0.689
Cars196 82.1 0.682
Stanford Online Products 78.4 0.901
In-Shop Clothes 87.3 0.896

Claims (1)

1.一种基于局部近邻成分分析的图像特征提取方法，其特征在于步骤如下：
步骤1：提取Resnet50卷积神经网络模型中的特征提取模块作为特征提取神经网络模型，并以其在Imagenet数据集上训练得到的网络参数为初始化参数，设定特征提取网络的批次样本输入个数为b，b的取值为32、64或128；
随机初始化记忆银行矩阵
Figure FDA0003537457070000011
矩阵
Figure FDA0003537457070000012
的大小为n×d，n为带有标签的图像训练数据集X所包含的图像数量，n为b的整数倍，d为低维特征维数，取值为64、128或256；
步骤2：将训练数据集X随机划分成t个不相交的数据子集X1、X2、…、Xt，t＝n/b，每个子集包含b幅图像，以每个数据子集为步骤1得到的预训练特征提取神经网络模型的输入，设定目标函数为相似性度量函数，学习率为e-5，训练次数xmax为50000，衰减次数为10000，采用Adam优化算法进行网络训练，具体为：
步骤2.1：初始化子集序号p＝1；
步骤2.2：将数据子集Xp输入到步骤1得到的预训练特征提取神经网络模型，输出即为子集中每一幅图像的一个低维特征向量，设其中第i幅图像
Figure FDA0003537457070000013
的低维特征向量为
Figure FDA0003537457070000014
i＝1,...,b，按下式对记忆银行矩阵
Figure FDA0003537457070000015
中的第(p-1)b+i行进行更新：
Figure FDA0003537457070000016
其中，
Figure FDA0003537457070000017
表示更新后的记忆银行矩阵
Figure FDA0003537457070000018
的第(p-1)b+i行向量，
Figure FDA0003537457070000019
表示更新前记忆银行矩阵
Figure FDA00035374570700000110
的第(p-1)b+i行向量，m为记忆更新参数，m＝0.8；
步骤2.3：对于子集中每一幅图像
Figure FDA00035374570700000111
i＝1,...,b，利用其标签将子集划分为正样本集合
Figure FDA00035374570700000112
和负样本集合
Figure FDA00035374570700000113
其中，正样本集合
Figure FDA00035374570700000114
包括子集Xp中所有与
Figure FDA00035374570700000115
标签相同的图像，负样本集合
Figure FDA00035374570700000116
包括子集Xp中所有与
Figure FDA00035374570700000117
标签不同的图像；并根据图像
Figure FDA00035374570700000118
的标签将其k近邻图像集
Figure FDA00035374570700000119
划分为两个集合
Figure FDA00035374570700000120
和
Figure FDA00035374570700000121
所述的k近邻图像集
Figure FDA00035374570700000122
是指更新后的记忆银行矩阵
Figure FDA00035374570700000123
中与行向量
Figure FDA00035374570700000124
欧式距离最小的k个行向量所对应的图像构成的集合，
Figure FDA00035374570700000125
是由
Figure FDA00035374570700000126
中与
Figure FDA00035374570700000127
的标签相同的图像构成的集合，
Figure FDA00035374570700000128
是由
Figure FDA00035374570700000129
中与
Figure FDA00035374570700000130
的标签不同的图像构成集合；
步骤2.4：利用下式计算相似性度量函数值L：
Figure FDA0003537457070000021
其中，L表示度量损失；α表示控制正样本对的尺度参数，取值范围是α∈[1,5]；β表示控制负样本对的尺度参数，取值范围是β∈[10,50]；λ表示间隔，取值范围是λ∈[0.1,0.5]；
Figure FDA0003537457070000022
表示图像
Figure FDA0003537457070000023
的低维特征向量与集合
Figure FDA0003537457070000024
中第l1幅图像的低维特征向量的内积，l1＝1,…,K1，K1表示集合
Figure FDA0003537457070000025
中图像的数量，
Figure FDA0003537457070000026
表示图像
Figure FDA0003537457070000027
的低维特征向量与集合
Figure FDA0003537457070000028
中第l2幅图像的低维特征向量的内积，l2＝1,…,K2，K2表示集合
Figure FDA0003537457070000029
中图像的数量，
Figure FDA00035374570700000210
表示图像
Figure FDA00035374570700000211
的低维特征向量与集合
Figure FDA00035374570700000212
中第l3幅图像的低维特征向量的内积，l3＝1,…,K3，K3表示集合
Figure FDA00035374570700000213
中图像的数量，
Figure FDA00035374570700000214
表示图像
Figure FDA00035374570700000215
的低维特征向量与集合
Figure FDA00035374570700000216
中第l4幅图像的低维特征向量的内积，l4＝1,…,K4，K4表示集合
Figure FDA00035374570700000217
中图像的数量；
步骤2.5：令p＝p+1，返回步骤2.2，采用Adam算法进行反向传播更新网络参数，当p等于t+1时，重新将训练数据集X随机划分成t个不相交的数据子集，并以重新划分后的数据子集为输入，返回步骤2.1；
每返回步骤2.1或步骤2.2，训练次数加1，直至达到设定的训练次数xmax，停止训练，此时得到的神经网络模型即为最终的特征提取网络模型；所述的训练次数的初始值为1；
步骤3：将待处理图像数据集输入到步骤2得到最终的特征提取网络，输出即为其中每一幅图像的低维特征向量。
CN202010104785.2A 2020-02-20 2020-02-20 一种基于局部近邻成分分析的图像特征提取方法 Active CN111259917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010104785.2A CN111259917B (zh) 2020-02-20 2020-02-20 一种基于局部近邻成分分析的图像特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010104785.2A CN111259917B (zh) 2020-02-20 2020-02-20 一种基于局部近邻成分分析的图像特征提取方法

Publications (2)

Publication Number Publication Date
CN111259917A CN111259917A (zh) 2020-06-09
CN111259917B true CN111259917B (zh) 2022-06-07

Family

ID=70952962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010104785.2A Active CN111259917B (zh) 2020-02-20 2020-02-20 一种基于局部近邻成分分析的图像特征提取方法

Country Status (1)

Country Link
CN (1) CN111259917B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753997B (zh) * 2020-06-28 2021-08-27 北京百度网讯科技有限公司 分布式训练方法、系统、设备及存储介质
CN112200255B (zh) * 2020-10-16 2021-09-14 浙江大学 一种针对样本集的信息去冗余方法
CN112861626B (zh) * 2021-01-04 2024-03-08 西北工业大学 基于小样本学习的细粒度表情分类方法
CN114037853B (zh) * 2021-11-11 2024-03-05 西北工业大学 基于拉普拉斯秩约束的深度图像聚类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635140A (zh) * 2018-12-14 2019-04-16 常熟理工学院 一种基于深度学习和密度峰值聚类的图像检索方法
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887590B (zh) * 2010-06-25 2011-12-07 哈尔滨工业大学 一种数字图像可视化组织展示的方法
CN103325125B (zh) * 2013-07-03 2016-08-10 北京工业大学 基于改进多示例学习算法的运动目标跟踪方法
CN105550744A (zh) * 2015-12-06 2016-05-04 北京工业大学 一种基于迭代的神经网络聚类方法
CN107545276B (zh) * 2017-08-01 2021-02-05 天津大学 联合低秩表示和稀疏回归的多视角学习方法
CN107609589A (zh) * 2017-09-12 2018-01-19 复旦大学 一种复杂行为序列数据的特征学习方法
CN108427985B (zh) * 2018-01-02 2020-05-19 北京理工大学 一种基于深度强化学习的插电式混合动力车辆能量管理方法
CN110473140B (zh) * 2019-07-18 2021-05-07 清华大学 一种基于图嵌入的极限学习机的图像降维方法
CN110555881A (zh) * 2019-08-29 2019-12-10 桂林电子科技大学 一种基于卷积神经网络的视觉slam测试方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635140A (zh) * 2018-12-14 2019-04-16 常熟理工学院 一种基于深度学习和密度峰值聚类的图像检索方法
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法

Also Published As

Publication number Publication date
CN111259917A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111259917B (zh) 一种基于局部近邻成分分析的图像特征提取方法
CN111695467B (zh) 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
CN110232341B (zh) 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
CN110348399B (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN111814611B (zh) 一种嵌入高阶信息的多尺度人脸年龄估计方法及系统
CN109086653B (zh) 手写模型训练方法、手写字识别方法、装置、设备及介质
CN109033978B (zh) 一种基于纠错策略的cnn-svm混合模型手势识别方法
CN112464004A (zh) 一种多视角深度生成图像聚类方法
CN113378938B (zh) 一种基于边Transformer图神经网络的小样本图像分类方法及系统
Ren et al. Convolutional neural network based on principal component analysis initialization for image classification
CN111461907A (zh) 一种面向社交网络平台的动态网络表征学习方法
CN112784921A (zh) 任务注意力引导的小样本图像互补学习分类算法
CN112967210A (zh) 一种基于全卷积孪生网络的无人机图像去噪方法
CN115131558B (zh) 一种少样本环境下的语义分割方法
CN111178196B (zh) 一种细胞分类的方法、装置及设备
CN116152554A (zh) 基于知识引导的小样本图像识别系统
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
Shao et al. Two-stage deep learning for supervised cross-modal retrieval
CN108985442B (zh) 手写模型训练方法、手写字识别方法、装置、设备及介质
Fischer et al. Increasing the performance of a training algorithm for local model networks
CN112381108A (zh) 一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统
Rashno et al. Mars image segmentation with most relevant features among wavelet and color features
CN115329821A (zh) 一种基于配对编码网络和对比学习的舰船噪声识别方法
CN115601578A (zh) 基于自步学习与视图赋权的多视图聚类方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant