一种多层鉴别卷积稀疏编码学习方法技术

本发明专利技术公开了一种多层鉴别卷积稀疏编码学习方法，包括嵌入鉴别信息模块和构建多层鉴别卷积稀疏编码模块；所述嵌入鉴别信息模块通过在模型中加入保留样本之间结构信息的流型约束或者分类误差项，使得特征表示具有较好的鉴别能力；所述构建多层鉴别卷积稀疏编码模块借鉴卷积神经网络的结构框架，在深度鉴别解析‑综合字典学习方法的研究基础上，尝试将单层的鉴别卷积稀疏编码模型推广到多层，构建多层鉴别卷积稀疏编码模型，该多层鉴别卷积稀疏编码学习方法，通过嵌入鉴别信息模块和构建多层鉴别卷积稀疏编码模块的配合使用，使得卷积稀疏编码方法计算到的特征不缺乏鉴别能力，保障了其在图像分类和人脸识别等任务中的应用。

【技术实现步骤摘要】
一种多层鉴别卷积稀疏编码学习方法
本专利技术涉及卷积稀疏编码
，具体为一种多层鉴别卷积稀疏编码学习方法。
技术介绍
传统的稀疏表示方法在提取特征时需要将图像拉成列向量，这样就造成图像像素之间空间信息和结构信息的丢失。与传统的稀疏编码方法相比，卷积稀疏编码中的字典原子具有更好的结构性和空间不变性。由于卷积稀疏编码中的一个字典原子可以全局表示特定方向的所有边缘，因此具有更强的表示能力。考虑到图像的几何结构信息，A.Szlam等提出了卷积匹配追踪(convolutionalmatchingpursuit,CMP)算法。该算法将图像看成是一组稀疏特征响应与一组核卷积求和的线性逼近。通过图像与核进行卷积，CMP算法可以减少编码的冗余度，进而有效提高图像稀疏表示能力。CMP算法为卷积稀疏编码模型的求解提供了一种简单方法。为了降低卷积稀疏编码模型求解时的时间复杂度和空间复杂度，学者们先后提出了多种求解方法，这些方法为进一步拓宽卷积稀疏编码模型的应用领域提供了强有力的支撑，并使得卷积稀疏表示学习逐渐引起学者们的关注。考虑到图像像素间的连续性对图像超分辨率的重要性，S.Gu等同时学习两组卷积字典以及两组稀疏编码之间的映射关系，提出了基于卷积稀疏编码的超分辨率方法，Y.Zhou等利用卷积稀疏模型学习组织结构的形态学特征，并结合空间金字塔框架和线性SVM完成对组织切片的分类任务。借鉴传统字典学习方法的分类准则，B.Chen等为每一类学习一组卷积字典，然后利用重构误差进行图像分类。Y.Zhu等利用卷积稀疏编码学习一组过完备字典，有效地降低了轨迹重建的误差。利用卷积稀疏编码方法，Y.Huang等在3D医学图像的超分辨率和跨模态合成应用中取得了目前最好的结果。最新的工作从理论上证明了卷积稀疏编码模型的收敛性和解的唯一性。由于没有考虑样本的标签信息，卷积稀疏编码方法主要用于解决图像去噪和图像超分辨率问题，较少用于图像分类和人脸识别任务。此外，与字典学习方法一样，这些卷积稀疏编码方法属于浅层稀疏模型，无法有效获取图像数据的高层表示。目前，卷积稀疏编码模型主要用于特征提取，并在图像处理中取得了显著的成果。然而，由于模型缺乏鉴别信息，卷积稀疏编码方法计算到的特征缺乏足够的鉴别能力，限制了其在图像分类和人脸识别等任务中的应用。此外，属于浅层模型的卷积稀疏编码方法缺乏获取图像数据高层表示的能力，这也降低了模型的表示能力。
技术实现思路
针对现有技术的不足，本专利技术提供了一种多层鉴别卷积稀疏编码学习方法，解决了
技术介绍
中提出的困难问题。为实现以上目的，本专利技术通过以下技术方案予以实现：一种多层鉴别卷积稀疏编码学习方法，包括嵌入鉴别信息模块和构建多层鉴别卷积稀疏编码模块；所述嵌入鉴别信息模块通过在模型中加入保留样本之间结构信息的流型约束或者分类误差项，使得特征表示具有较好的鉴别能力；所述构建多层鉴别卷积稀疏编码模块借鉴卷积神经网络的结构框架，在深度鉴别解析-综合字典学习方法的研究基础上，尝试将单层的鉴别卷积稀疏编码模型推广到多层，构建多层鉴别卷积稀疏编码模型。作为本专利技术的进一步优选技术方案，拟建嵌入鉴别信息模块稀疏表示模型：其中，其中，Xi，j表示第i类第j个样本，*表示卷积，字典D包含共性字典原子和类相关字典原子，即di，j表示第i类第j个字典原子(共性原子表示第0类)，表示第i类第j个样本第k个字典原子对应的特征映射，f(Z)表示增强模型鉴别能力的约束项。构建该模型的出发点是：不同种类的数据之间不仅存在共性还存在特性；数据间的特性更有利于识别分类任务。作为本专利技术的进一步优选技术方案，所述拟建嵌入鉴别信息模块稀疏表示模型有两种解法，第一种是通过Toeplitz矩阵变换，将卷积形式变成矩阵乘积形式；第二种是对图像进行傅里叶变化，在频域空间求解。作为本专利技术的进一步优选技术方案，为了进一步提高模型的表示能力，将拟建嵌入鉴别信息模块稀疏表示模型扩展到多层，构建多层鉴别卷积稀疏表示模型；模型的每一层学习一组卷积字典和特征映射；前一层的特征映射作为下一层的输入，利用空间金字塔匹配技术(SpatialPyramidMatching)在最后一层卷积编码之上获得图像的表示特征，之后利用SVM进行识别和分类。在研究过程中，我们也会在大量实验验证和分析的基础之上适时地修改拟提出的多层结构。本专利技术提供了一种多层鉴别卷积稀疏编码学习方法。与现有技术相比，具备以下有益效果：该多层鉴别卷积稀疏编码学习方法，通过嵌入鉴别信息模块和构建多层鉴别卷积稀疏编码模块的配合使用，使得卷积稀疏编码方法计算到的特征不缺乏鉴别能力，保障了其在图像分类和人脸识别等任务中的应用，同时也增加了获取图像数据高层表示的能力，提高了模型的表示能力，实用性强，易于推广使用。附图说明图1为本专利技术的工作原理流程图；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，本专利技术提供一种技术方案：一种多层鉴别卷积稀疏编码学习方法，包括嵌入鉴别信息模块和构建多层鉴别卷积稀疏编码模块；嵌入鉴别信息模块通过在模型中加入保留样本之间结构信息的流型约束或者分类误差项，使得特征表示具有较好的鉴别能力；构建多层鉴别卷积稀疏编码模块借鉴卷积神经网络的结构框架，在深度鉴别解析-综合字典学习方法的研究基础上，尝试将单层的鉴别卷积稀疏编码模型推广到多层，构建多层鉴别卷积稀疏编码模型。拟建嵌入鉴别信息模块稀疏表示模型：其中，其中，Xi，j表示第i类第j个样本，*表示卷积，字典D包含共性字典原子和类相关字典原子，即di，j表示第i类第j个字典原子(共性原子表示第0类)，表示第i类第j个样本第k个字典原子对应的特征映射，f(Z)表示增强模型鉴别能力的约束项。构建该模型的出发点是：不同种类的数据之间不仅存在共性还存在特性；数据间的特性更有利于识别分类任务。在图1中，第一列表示输入图像，第二、三列分别表示第一层卷积字典和卷积编码，其中D1，0表示共性字典，D1，1，…，D1，k分别表示类相关字典，第i类样本Xi＝D1，0*Z1，0+D1，i*Z1，i；红色虚线框和蓝色虚线框分别表示第一层和第二层，第二层的输入为第一层的卷积编码；拟建嵌入鉴别信息模块稀疏表示模型有两种解法，第一种是通过Toeplitz矩阵变换，将卷积形式变成矩阵乘积形式；第二种是对图像进行傅里叶变化，在频域空间求解，由于第一种解法的空间复杂度较高，因此，我们拟将问题转化到频域空间，采用交替方向乘子法进行求解。为了进一步提高模型的表示能力，将拟建嵌入鉴别信息模块稀疏表示模型扩展到多层，构建多层鉴别卷积稀疏表示模型；模型的每一层学习一组卷积字典和特征映射；前一层的特征映射作为下一层的输入，随着模型层数的增加，特征映射的数量将指数级增长。针对该问题，我们拟对每一层的特征映射进行下采样(Pooling)，减小特征映射的维度，同时限制模型的层数不能太深。在完成字典学习和卷积编码提取之后，我们拟采用如下两种方式完成识别和分类任务：1)利用重构误差；2)利用空本文档来自技高网...

【技术保护点】
1.一种多层鉴别卷积稀疏编码学习方法，其特征在于，包括嵌入鉴别信息模块和构建多层鉴别卷积稀疏编码模块；所述嵌入鉴别信息模块通过在模型中加入保留样本之间结构信息的流型约束或者分类误差项，使得特征表示具有较好的鉴别能力；所述构建多层鉴别卷积稀疏编码模块借鉴卷积神经网络的结构框架，在深度鉴别解析‑综合字典学习方法的研究基础上，尝试将单层的鉴别卷积稀疏编码模型推广到多层，构建多层鉴别卷积稀疏编码模型。

【技术特征摘要】
1.一种多层鉴别卷积稀疏编码学习方法，其特征在于，包括嵌入鉴别信息模块和构建多层鉴别卷积稀疏编码模块；所述嵌入鉴别信息模块通过在模型中加入保留样本之间结构信息的流型约束或者分类误差项，使得特征表示具有较好的鉴别能力；所述构建多层鉴别卷积稀疏编码模块借鉴卷积神经网络的结构框架，在深度鉴别解析-综合字典学习方法的研究基础上，尝试将单层的鉴别卷积稀疏编码模型推广到多层，构建多层鉴别卷积稀疏编码模型。2.根据权力要求1所述的一种多层鉴别卷积稀疏编码学习方法，其特征在于，拟建嵌入鉴别信息模块稀疏表示模型：3.其中，其中，Xi，j表示第i类第j个样本，*表示卷积，字典D包含共性字典原子和类相关字典原子，即di，j表示第i类第j个字典原子(共性原子表示第0类)，表示...

【专利技术属性】
技术研发人员：常合友，
申请(专利权)人：南京晓庄学院，
类型：发明
国别省市：江苏,32