专利汇可以提供基于自适应概率超图和半监督学习的视频语义分析方法专利检索,专利查询,专利分析的服务。并且本 发明 提供一种基于自适应概率超图和增量式半 监督学习 的视频语义分析方法,该方法包括以下步骤:S1:采用自适应概率超图的构建方法构建超图模型;S2:采用谱图分割原理对超图模型进行 半监督学习 ;S3:采用增量机制对基于自适应概率超图的半监督模型进行完善;以及S4:采用完善后的超图模型对测试视频的语义进行分析。本发明的方案通过将自适应概率超图的构建和增量式半监督学习方法结合应用,消除普通超图模型构造时对半径参数的敏感性,提高模型的准确性和鲁棒性;而且在增量式半监督学习机制下,显著提高语义查准和查全结果。,下面是基于自适应概率超图和半监督学习的视频语义分析方法专利的具体信息内容。
1.一种基于自适应概率超图和增量式半监督学习的视频语义分析方法,其特征在于,包括以下步骤:
S1:采用自适应概率超图的构建方法构建超图模型;
S2:采用谱图分割原理对超图模型进行半监督学习;
S3:采用增量机制对基于自适应概率超图的半监督学习模型进行完善;以及
S4:采用完善后的超图模型对测试视频的语义进行分析。
2.根据权利要求1所述的方法,其特征在于,在前述超图构造过程中,先定义一个自适应阈值函数,如果顶点的亲密度函数值大于该阈值时,判定该顶点属于某条超边,其实现过程如下:
S11:令训练集合中的视频数目用m表示,用人工免疫有序聚类的方法提取视频的关键帧,并提取关键帧的特征向量,将这些特征融合成n维的融合特征并计算其平均值作为n
单个视频的特征向量,定义在实数域R上的该n维视频特征向量数据空间,记为X=R ;为每一个视频定义一个包含q种语义的语义向量y={k1,k2,...,kq},其中ki取0或1;Y表示所有训练视频中的q种语义的语义向量集合,该包含m个视频段的训练集合,可记为D={(xi,yi)|1≤i≤m,xi∈X,yi∈Y},其中,xi是输入空间X中的一个视频特征向量,yi是xi的真实语义集合,若视频语义未标记,则yi为零向量,将集合D中的每个视频段特征向量xi∈X映射为概率超图中的一个顶点vi;
S12:定义概率超图G=(V,E,W)由顶点集合 、超边集合
E={e1,e2,...,em}和超边的权重集合W={w1,w2,...,wm}构成,其中n表示顶点数据的维度;
对于每一条超边ei都有一个相关联的正实数wi表示这条超边的权值,对于任一顶点vi,首先根据亲密度函数A(i,j)计算该顶点与其它各顶点之间的亲密度:
公式(1):
其中i和j是顶点的索引,Dis(i,j)是两顶点之间的欧式距离, 是平均距离;
S13:将步骤S12计算得到的亲密度函数值按从大到小进行排序,分别得到其最大值max(A)、最小值min(A)和平均值mean(A),再定义阈值计算公式如下:
公式(2):
S14:对于任意顶点vj(j≠i),当满足条件 时,顶点vj∈ei;否则 自适
应概率超图用一个|V|×|E|的关联矩阵H=(h(vi,ej))|V|×|E|表示:
公式(3):
S15:超边权重w(ei)的定义如下:
公式(4):
S16:每个顶点vi∈V的度计算如下:
公式(5):
S17:每个超边ej∈E的度计算如下:
公式(6):
分别用Dv、De、W表示顶点度、概率超图的超边度和概率超边权值的对角阵,然后根据式(1)(2)(3)构建概率超图,根据式(4)(5)(6)计算概率超图的顶点度、超边度和超边权重。
3.根据权利要求2所述的方法,其特征在于,前述半监督学习过程中,采用谱图分割原理,建立语义分类向量函数矩阵的相关正则化损失函数的最小化模型,求解语义分类向量的函数矩阵,实现对超图模型的半监督学习,其实现过程如下:
S21、半监督学习模型的训练集中有大量未标记语义的训练样本,将这些样本的q维语义向量全部初始化为零向量,与训练集中已标记样本的语义集进行合并后记为Y,用Y'表示模型学习后得到的所有未标记训练样本的语义向量,用F表示概率超图多语义分类向量的函数矩阵,Fi则表示第i个样本的语义分类向量函数,F的相关正则化损失函数Ω(F)定义为:
公式(7):
其中μ>0为正规化参数,通过计算得到F的一个最优解F',使得Ω(F)最小,即:
F'=argminΩ(F),故对Ω(F)求关于F的微分:
进一步可转化为:
其中S=Dv-1/2HWDe-1HTDv-1/2(HT是H的转置),令 由于I-αS是可逆的,
可得F'如下:
公式(8):F'=β(I-αS)-1Y;
S22、用F'表示样本属于各类语义的概率,已标记的训练样本其标记保持不变,根据F'的结果修改未标记训练样本的语义向量集合Y',其中向量y'中的各维元素的值由以下规则获取:令F'ij表示F'中第i个样本的第j类语义分类函数值,ω(i)=arg max1≤l≤qF'il;
若F'ij/F'iω(i)≥info_gap,则y'的第j维元素取1,否则取0。
4.根据权利要求3所述的方法,其特征在于,在每次增量迭代的过程中,用已知标记的训练样本和一部分未知标记的训练样本一起重构超图模型,根据定义好的一个筛选函数对未标记样本进行筛选,确定性高的样本被选中,确定性不高的样本则被丢弃,并将选中的样本及学习得到的标记加入到已标记的样本集中,重构超图以完善模型,其实现过程如下:
初始化:L=已标记的训练样本集;
S31、从未标记的训练样本集U中选出Nstep个训练样本,构成集合U',当|U|
公式(9):
其中,|L|+|U'|是统计集合中的元素个数,λ是个平衡调节参数,用于调节这个阈值threshold的取值;当U'中样本得到的语义概率向量的最大元素值小于阈值公式的值threshold,那么该样本就被认为确定性不高而从U'中删去;反之,则将该样本加入到L中;
S33、根据样本语义概率到语义标记的转换规则S22,得到U'中每个样本的最终语义向量y',并将它加入到已标记的语义向量集合Y中,即L=L+U';当U为空则迭代结束,否则转向S31继续进行下一次的增量学习。
5.根据权利要求4所述的方法,其特征在于,前述语义分析是利用完善后的超图模型对测试视频的语义进行分析检测,实现过程如下:
S41、利用与前述训练集相同的方法提取测试视频片段的关键帧和提取关键帧相应的特征向量;
S42、把这些特征向量按S11映射成概率超图顶点,与完善后的训练集超图内的样本顶点一起按前述步骤S12~S17构造自适应概率超图;
S43、利用谱图分割的方法按照前述步骤S21~S22得到各个视频段含有的视频语义。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于半监督学习算法的移动设备实体识别方法及装置 | 2020-05-12 | 843 |
一种基于层次注意力机制的半监督网络表示学习模型 | 2020-05-13 | 599 |
基于半监督学习的DPI数据中host的自动化挖掘方法及系统 | 2020-05-18 | 540 |
一种特征权重自学习的睡眠质量检测关键脑区判定方法 | 2020-05-08 | 88 |
基于对抗训练的跨领域虚假评论识别方法 | 2020-05-13 | 239 |
基于半监督学习的检测模型训练方法、装置、设备及介质 | 2020-05-12 | 875 |
一种获取临床数据预测模型的方法、装置、可读介质及电子设备 | 2020-05-15 | 546 |
一种面向半结构化数据流的实时主题分类方法 | 2020-05-16 | 842 |
一种基于半监督学习的多标签语料库文本分类方法 | 2020-05-13 | 481 |
一种融合半监督学习和主动学习的搜索引擎用户满意度评估方法 | 2020-05-13 | 482 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。