哈希辅助定位保护不完整多视图无监督特征选择方法及系统

摘要: 本发明属于计算机多视图数据处理领域,具体涉及一种哈希辅助定位保护不完整多视图无监督特征选择方法及系统。背景技术:1、多视图数据可从图像、文本、传感器信号等多个维...
哈希辅助定位保护不完整多视图无监督特征选择方法及系统

本发明属于计算机多视图数据处理领域,具体涉及一种哈希辅助定位保护不完整多视图无监督特征选择方法及系统。

背景技术:

1、多视图数据可从图像、文本、传感器信号等多个维度对对象进行全面描述,在跨模态检索、多源信息融合分析等场景中具有重要应用价值,因此多视图学习技术受到广泛关注。在海洋环境感知领域,随着“空-天-地-海-底”立体观测网络快速发展,积累了海量多模态观测数据,涵盖卫星光学影像、sar雷达图像、水下声呐图像等多源海洋图像、海洋环境传感数据以及文本标注信息;不同视图可分别从视觉形态、环境参数、语义信息层面提供互补特征,融合多视图数据能够显著提升海上目标识别、海洋环境监测、海洋灾害预警等任务效果。

2、实际海洋观测场景下,多源海洋图像存在成像机理不同、时空分辨率不匹配、模态异构等问题,同时受海浪、云雾、海杂波干扰,数据噪声强、有效信息稀疏,为多视图特征融合带来显著困难。在无监督特征选择框架下,如何挖掘并筛选有效、高鲁棒性特征,是改善下游分类、识别任务性能的核心。

3、现有多视图无监督特征选择方法存在诸多局限性:

4、一方面,在视角信息利用上,多为单视角独立处理或简单特征拼接,未充分挖掘视角间的互补性与一致性,例如缺乏跨视角共享子空间约束或多视图相似度矩阵的对齐机制,导致多视图信息的潜力未能充分释放。

5、另一方面,特征的判别性不足,现有方法的目标函数多聚焦于通用降维目标,未融入类别判别性的隐式或显式约束,使得提取的特征在区分不同类别或模式时能力欠缺。

6、此外,面对含噪声、冗余信息的多视图数据及边缘样本时,鲁棒性较差,正则化机制设计简单,未对边缘样本的不利影响进行有效处理,导致特征选择结果的可靠性降低。

7、在哈希学习与多视图结合的技术中,现有方法也未充分将哈希矩阵与多视图特征投影变换矩阵深度关联,缺乏对不完整视图场景(即部分视图数据存在缺失)下的针对性设计,难以在保证哈希编码紧凑性的同时,实现多视图特征的有效选择与融合。

8、因此,亟需一种能充分挖掘不完整多视图的互补性与一致性、增强特征判别性且对嘈杂数据和边缘样本鲁棒的哈希辅助无监督特征选择方法。

9、专利cn115098709b公开了一种多视图数据的特征选择方法,该方法通过构建视图一致性正则矩阵来利用视图间一致性,但未结合哈希技术实现特征的紧凑编码,且未考虑视图缺失的不完整多视图场景,在特征的判别性和对不完整数据的适应性上存在局限。

10、专利cn103577841a公开了一种无监督多视图特征选择的人体行为识别方法,其通过构建多视图相似图和拉普拉斯矩阵实现特征选择,但未引入哈希机制,也未针对多视图的互补性与一致性进行深度融合,在跨视图信息利用和特征表达效率上有待提升。

11、专利cn107122411b公开了一种基于离散多视图哈希的协同过滤推荐方法,该方法虽结合多视图哈希实现推荐,但应用场景为协同过滤推荐,并非多视图特征选择,且未涉及不完整视图下的特征选择问题,无法满足多视图特征选择任务中对不完整数据、判别性特征及鲁棒性的需求。综上,现有专利或未结合哈希与多视图特征选择的深度关联,或未针对不完整视图场景设计,或应用场景不符,均未充分解决不完整多视图下特征选择的视角互补性挖掘、判别性增强及鲁棒性提升问题。

技术实现思路

1、本发明所要解决的技术问题是:提供一种哈希辅助定位保护不完整多视图无监督特征选择方法及系统,解决了现有技术中不完整多视图无监督特征选择中视角互补性与一致性挖掘不充分、特征判别性欠缺、对嘈杂数据和边缘样本鲁棒性差的问题。

2、本发明为解决上述技术问题采用以下技术方案:

3、哈希辅助定位保护不完整多视图无监督特征选择方法,包括如下步骤:

4、步骤1、获取多视图数据集,并构建存在视图缺失的多视图待处理数据集;

5、步骤2、对每个视图的数据计算相似度矩阵并进行低秩近似处理;

6、步骤3、构建哈希矩阵与特征投影变换矩阵的关联模型,引入特征投影变换矩阵的正交约束;

7、步骤4、构建整合全局结构保持、相似性保持及正则化项的多视图联合目标函数;

8、步骤5、对最终的目标函数进行分解,采用增强拉格朗日乘子与交替方向最小化方法求解特征矩阵;

9、步骤6、基于特征矩阵并利用分类器对样本进行分类,输出特征选择与分类结果。

10、步骤2的具体过程如下:

11、对每个视图的样本集合,计算相似度矩阵,并通过低秩矩阵对进行低秩近似,得到低秩近似矩阵公式:

12、

13、其中,。

14、步骤3中,采用矩阵同时执行投影和局部结构保留,提出如下假设:

15、

16、其中,表示第个视图的特征投影变换矩阵,具体采用如下公式表示:

17、。

18、步骤4具体包括如下步骤:

19、步骤4.1、每个视图的相似性保持项表示为,其中,表示第个视图的特征投影变换矩阵,具体表示为;

20、步骤4.2、哈希重构误差项表示为,

21、

22、其中,是一个自学习的权参数;

23、步骤4.3、结合相似性保持项和哈希重构误差项,通过最小化每一个视图的特征投影变换矩阵与结构保留变换矩阵的乘积的迹,通过迹函数来衡量不同视图之间的相似性:

24、

25、其中是样本总数,是哈希编码维度;

26、步骤4.4、结合正则化项,通过学习特征投影变换矩阵来优化视图内的相似性,从而在各个视图中保留固有的相似性结构,构建如下多视图联合目标函数:

27、

28、其中,是参数;是核范数,用于鼓励稀疏解;是组lasso正则化项,用于选择重要的特征;是阶单位矩阵;是样本局部重构权重。

29、步骤5具体包括如下步骤:

30、步骤5.1、通过引入辅助张量变量来简化目标函数的优化算法;

31、步骤5.2、构建增广lagrange乘子法函数,根据选择的最小化策略,分割成几个子问题,在每个子问题中,确定待优化的相关变量;

32、步骤5.3、分别求解待优化的相关变量。

33、所述待优化的相关变量包括特征投影变换矩阵、二值哈希、特征选择权重矩阵、自学习的权参数、独立哈希映射矩阵、回归系数矩阵和辅助张量变量。

34、步骤6中,对所有测试样本,采用近邻分类器,求解最终类别,输出分类结果;同时,提取各视图的特征权重矩阵,非零元素对应的特征即为被选择的特征,从而得到多视图下的特征选择结果。

35、步骤4.4中,利用不同视图之间的交互信息来丰富和完善相似度矩阵。用于确保不同视图之间的一致性,同时通过范数最小化整体误差,建一个互补学习引导的相似度矩阵重建模型,具体为:

36、

37、其中,是回归系数矩阵,表示矩阵中第行第列的数据,是视图的相似度矩阵,矩阵通过frobenius范数来评估重构矩阵与原始相似矩阵的接近程度。

38、哈希辅助定位保护不完整多视图无监督特征选择系统,该系统包括处理器,所述处理器应用所述的方法对不完整多视图进行特征选择,用于跨模态检索、多源信息融合领域的多视图数据处理。

39、一种计算机可读存储介质,所述计算机可读存储介质上存储计算机可读指令,所述计算机可读指令被处理器执行时调用所述方法的步骤。

40、与现有技术相比,本发明具有以下有益效果:

41、1、本发明通过对各视图构建相似性矩阵并低秩近似,结合哈希矩阵与特征投影变换矩阵的关联模型,深度挖掘多视图的互补性与一致性,有效提升多视图信息的利用效率。

42、2、本发明引入特征投影变换矩阵的正交约束,结合哈希编码的紧凑性,增强特征的判别性,提升后续分类识别的准确率。

43、3、本发明整合鲁棒正则化项,降低嘈杂数据和边缘样本的不利影响,提高特征选择结果的鲁棒性与可靠性。

44、4、本发明生成的哈希码兼具紧凑性与判别性,在多视图数据处理效率上提升显著,可广泛应用于跨模态检索、多源信息融合等领域,具有显著的技术推广价值与经济社会效益。