公开(公告)号：CN112308115B

公开(公告)日：2023-05-26

申请号：CN202011022191.3

申请日：2020-09-25

Applicant: 安徽工业大学

Inventor： 张辉宜 ,  张进 ,  黄俊 ,  屈喜文

IPC: G06V10/774 ,  G06V10/771 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明涉及机器学习领域的多标签学习技术，涉及一种多标签图像深度学习分类方法及设备，包含以下步骤：获得标签关系图；根据标签关系图获得所有类别标签的映射和所有标签组的映射；构建深度卷积神经网络并进行图像通用特征提取；选取卷积神经网络不同层的特征图通过映射函数将其映射到标签和标签组映射的维度；对选取特征图中所有像素点计算标签和标签组在当前像素点位置的相合性评分与归一化评分；得到最终的标签相关语义特征与最终的标签组的相关语义特征；标签预测。本申请实现有效利用标签关系，学习更加丰富的图像通用特征和标签关系特征，更好的进行多标签分类任务。

公开(公告)号：CN112308115A

公开(公告)日：2021-02-02

申请号：CN202011022191.3

申请日：2020-09-25

Applicant: 安徽工业大学

Inventor： 张辉宜 ,  张进 ,  黄俊 ,  屈喜文

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明涉及机器学习领域的多标签学习技术，涉及一种多标签图像深度学习分类方法及设备，包含以下步骤：获得标签关系图；根据标签关系图获得所有类别标签的映射和所有标签组的映射；构建深度卷积神经网络并进行图像通用特征提取；选取卷积神经网络不同层的特征图通过映射函数将其映射到标签和标签组映射的维度；对选取特征图中所有像素点计算标签和标签组在当前像素点位置的相合性评分与归一化评分；得到最终的标签相关语义特征与最终的标签组的相关语义特征；标签预测。本申请实现有效利用标签关系，学习更加丰富的图像通用特征和标签关系特征，更好的进行多标签分类任务。

公开(公告)号：CN111046965A

公开(公告)日：2020-04-21

申请号：CN201911306128.X

申请日：2019-12-18

Applicant: 安徽工业大学

Inventor： 黄俊 ,  芮浩伟 ,  张进 ,  张平照 ,  张辉宜 ,  屈喜文

IPC: G06K9/62

Abstract: 本发明公开了一种多标记分类中潜在类别发现和分类方法，属于机器学习技术领域；本发明将已知标记分类和潜在标记发现及分类融合在一框架中，利用非负矩阵分解技术，将特征矩阵分解为完整类别标记矩阵的近似解和系数矩阵，并约束近似解的已知部分结果与真实值一致，同时构建从样本特征到完整标记的分类模型，发现潜在的标记类型；通过潜在标记发现，挖掘出数据中有价值的隐含信息，利用已知标记和潜在标记之间的关联性，约束相关性较强的任意类别具有相似的分类模型系数，得到近似的分类预测结果，使已知标记分类和潜在标记分类相互指导，共同促进，最终提升已知标记和潜在标记的分类性能，更好的进行多标记学习任务。