(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111225017.3 (22)申请日 2021.10.21 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 刘志锋　唐川景　沈项军　周从华　 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06F 30/27(2020.01) G06F 17/16(2006.01) (54)发明名称 一种鲁棒特征空间共同学习的多标签图像 分类方法 (57)摘要 本发明公开了一种鲁棒特征空间共同学习 的多标签图像分类方法， 首先准备多标签数据； 在特征空间和标签空间中引入特征选择和核范 数的低秩表示方法从而构造鲁棒的标签和特征 空间共同学习的多标签分类模型； 利用鲁棒低秩 投影矩阵V将q维标签空间映射到r维的标签空间 中， 从而V表示在标签空间中学习到的鲁棒低秩 投影； 引入增广拉格朗日乘数法对多标签分类模 型的目标函数中的矩阵P和矩阵V进行求解； 将多 标签数据作为训练数据样本对提出的多标签分 类模型进行训练， 得到最优的鲁棒低秩系数矩阵 P和鲁棒低秩投影矩阵V； 基于最优的鲁棒低秩系 数矩阵P和鲁棒低秩投影矩阵V完成多标签分类 模型的训练， 并利用该多 标签分类模 型进行多 标 签图像分类 。 权利要求书2页 说明书5页 附图1页 CN 113920368 A 2022.01.11 CN 113920368 A 1.一种鲁棒特 征空间共同学习的多标签图像分类方法， 其特 征在于， 包括如下步骤： 步骤一： 准备多标签数据， 形成多标签数据的特征矩阵X和与特征矩阵X相关的标签矩 阵Y； 步骤二： 在特征空间和标签空间中引入核范数的低秩表示， 构造鲁棒的标签和特征空 间共同学习的多标签分类模型； 该模型的目标函数表示 为： 其中， P为一个鲁棒低秩系数矩阵， V为一个鲁棒低秩投影矩阵， λ1， λ2分别表示矩阵P的 正则化参数和矩阵V的正则化参数； 利用鲁棒低秩投影矩阵V将q维标签空间映射到r维的标 签空间中， r＜ ＜q， 从而V 表示在标签空间中学习到的鲁棒低秩投影； 步骤三： 引入增广拉格朗日乘数法对多标签分类模型的目标函数中的矩阵P和矩阵V进 行求解； 步骤四： 根据正则化参数λ1、 λ2以及惩罚参数 μ， 将多标签数据作为训练数据样本对提出 的多标签分类模型进行训练， 得到最优的鲁棒低秩系 数矩阵P和鲁棒低秩投影矩阵V； 基于 最优的鲁棒低秩系数矩阵P和鲁棒低秩投影矩阵V完成多标签分类模 型的训练， 并利用该多 标签分类模型进行多标签图像分类。 2.根据权利要求1所述的一种鲁棒特征空间共同学习的多标签图像分类方法， 其特征 在于， 步骤三中对矩阵P和矩阵V进行求 解的方法如下： 使用两个辅助矩阵J和W分别代替目标函数中核范数符号中的P和V， 并采用增广拉格朗 日乘数法， 将目标函数转 化如下无约束优化 解的问题： 其中， Y1和Y2是拉格朗日乘数， Y为标签空间， X为特征空间； λ1、 λ2＞0分别表示P和V的正 则化参数， μ＞0是一个惩罚参数； 基于上式的无约束优化 解的问题分别求 解J、 P、 W、 V、 Y1， Y2。 3.根据权利要求2所述的一种鲁棒特征空间共同学习的多标签图像分类方法， 其特征 在于， 固定矩阵P， W， V， Y1， Y2的值， 利用核范数最小化的方 法将辅助矩阵J的解问题转化为 无 约束优化 解的问题有效的子问题， 因此J的求 解公式为： 4.根据权利要求2所述的一种鲁棒特征空间共同学习的多标签图像分类方法， 其特征 在于， 固定矩阵P， J， V， Y1， Y2的值， 利用核范数最小化的方 法将辅助矩阵J的解问题转化为 无 约束优化 解的问题有效的子问题， 因此W的求 解公式为： 5.根据权利要求2所述的一种鲁棒特征空间共同学习的多标签图像分类方法， 其特征 在于， 引入辅助矩阵Q 替换矩阵P， 求 解鲁棒低秩系数矩阵P， 表示 为：权　利　要　求　书 1/2 页 2 CN 113920368 A 2其中， Y3为拉格朗日乘数； 对上式中的矩阵Q 求偏导， 得到下式： 接着对矩阵P求偏导， 得到下式： 6.根据权利要求5所述的一种鲁棒特征空间共同学习的多标签图像分类方法， 其特征 在于， 无约束优化 解的问题中的矩阵V直接求偏导， 得到下式： 7.根据权利要求5所述的一种鲁棒特征空间共同学习的多标签图像分类方法， 其特征 在于， 更新矩阵Y1， Y2， Y3 Y1＝Y1+ μ(P‑J)； Y3＝Y3+ μ(P‑Q)； Y2＝Y2+ μ(V‑W)。 8.根据权利要求5所述的一种鲁棒特征空间共同学习的多标签图像分类方法， 其特征 在于， 迭代更新的过程为： 设初始矩阵J＝0， Q＝0， P＝0， W＝0， V＝0； 求解参数J， 然后依次更 新矩阵Q， P， W， V和Y1， Y2， Y3， 并根据求解出的参数求出损失值； 同时迭代次数加1； 接着不断 进行上述的循环； 直到损失值小于1e ‑7或者迭代次数大于1e4停止循环， 获得矩阵P和V的最 优值。权　利　要　求　书 2/2 页 3 CN 113920368 A 3