(19)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 202210847014.1 (22)申请日 2022.07.07 (71)申请人 山西大学 地址 030006 山西省太原市小店区坞城路 92号山西大学科技楼80 3 (72)发明人 梁建青　梁吉业　 (74)专利代理 机构 山西五维专利事务所(有限 公司) 1410 5 专利代理师 茹牡花 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) (54)发明名称 黎曼空间下的半监 督多视图度量学习方法 (57)摘要 本发明公开一种黎曼空间下的半监督多视 图度量学习方法， 该方法包括以下步骤： 从训练 集中提取出图像的多视图特征并生成样本对； 构 造多视图类内、 类间散度矩阵， 将语义信息嵌入 特征子空间， 实现数据与知识的迁移和融合； 将 数据和知识从欧氏空间嵌入到黎曼流形子空间， 完成特征映射； 进行多视图融合， 得到特征的统 一表示。 通过本发明解决相关技术中对强监督信 息和欧氏空间的高度依赖问题， 提供了一种新的 适用于复杂应用场景和弱监督标注环境的高效 度量学习方法， 提高了弱监督异质数据挖掘和模 式识别相关任务的性能。 权利要求书2页 说明书4页 附图1页 CN 115205632 A 2022.10.18 CN 115205632 A 1.黎曼空间下的半监 督多视图度量学习方法， 其特 征在于， 包括以下步骤： 步骤101： 从训练集中提取 出图像的多视图特 征并生成样本对； 步骤102： 构造多视图类内、 类间散度矩阵， 将语义信息嵌入特征子空间， 实现数据与知 识的迁移和融合； 步骤103： 将数据和知识从欧氏空间嵌入到黎曼流形子空间， 完成特 征映射； 步骤104： 进行多视图融合， 得到特 征的统一表示。 2.根据权利要求1所述黎曼空间下的半监督多视图度量学习方法， 其特征在于， 所述步 骤101， 从训练集中提取 出图像的多视图特 征并组成样本对， 进一 步包括： 将所述训练集传入局部特征HOG、 SIFT特征描述符和 深度卷积神经网络， 通过词袋模型 和特征提取网络的最后全连接层后， 分别 得到图像的500维词袋表示和1024维的深度特征 并且按照样本标签得到所述相似样本对集合S， 不相似样本对集 合D以及无 标记样本集 合U。 3.根据权利要求1所述黎曼空间下的半监督多视图度量学习方法， 其特征在于， 损失函 数为： 其中， L为度量学习总损失函数， Ldis为判别损失， λ1和λ2为控制目标之间的平衡参数， Lreg1为半监督图正则损失， Lreg2为度量正则损失， wv为v视图权重， A(v)为v视图度量矩阵， S(v) 为v视图类内散度， D(v)为v视图类间散度， X(v)为v视图特征矩阵， L为拉普拉斯矩阵， Dsld(A (v),A0)为对称L ogDet散度， A0为先验对称正定矩阵。 4.根据权利要求3所述黎曼空间下的半监督多视图度量学习方法， 其特征在于， 所述判 别损失Ldis， 在各视图构造的度量矩阵下， 获得判别能力强的距离度量。 5.根据权利要求3所述黎曼空间下的半监督多视图度量学习方法， 其特征在于， 所述拉 普拉斯矩阵L ＝D‑W， 其中， 为对角阵， 邻接矩阵W定义如下 6.根据权利要求3所述黎曼空间下的半监督多视图度量学习方法， 其特征在于， 所述半 监督图正则损失Lreg1和拉普拉斯矩阵L， 根据流形假设， 位于低维流形局部领域内的样本具 有相似的类别。 7.根据权利要求3所述黎曼空间下的半监督多视图度量学习方法， 其特征在于， 所述度 量正则损失Lreg2， 使得在矩阵S(v)接近奇异或不可逆的情况 下保证A(v)有解。 8.根据权利要求3所述黎曼空间下的半监督多视图度量学习方法， 其特征在于， 所述目 标函数中判别损失项Ldis部分， 度量矩阵A(v)的求解通过如下目标函数进行扩充权　利　要　求　书 1/2 页 2 CN 115205632 A 2其中， δR为SPD矩阵的黎曼距离 δR(X,Y):＝| |log(Y‑1/2XY‑1/2)||F对于X,Y＞0 。 9.根据权利要求3所述黎曼空间下的半监督多视图度量学习方法， 其特征在于， 得到各 视图的度量矩阵A后进 而求解w。权　利　要　求　书 2/2 页 3 CN 115205632 A 3