基于主動學(xué)習(xí)的圖像分類協(xié)同訓(xùn)練模型研究

柳永春　李娟

摘 要：在當(dāng)前數(shù)量龐大的網(wǎng)絡(luò)存儲圖像中，如何在過濾不相關(guān)信息的同時挖掘出具有價值的信息參量，已成為圖像處理技術(shù)的主要研究內(nèi)容之一。對此，提出一種基于主動學(xué)習(xí)的圖像分類協(xié)同訓(xùn)練模型。定義圖像樣本的不確定性水平，通過計算邊緣抽樣系數(shù)指標(biāo)的方式，建立主動型分類核函數(shù)定義項，實現(xiàn)基于主動學(xué)習(xí)的圖像分類處理。在此基礎(chǔ)上，提供穩(wěn)定的參數(shù)服務(wù)器配置環(huán)境，按照協(xié)同加速比的數(shù)值需求，確定收斂訓(xùn)練指標(biāo)的具體計算數(shù)值，完成基于主動學(xué)習(xí)的圖像分類協(xié)同訓(xùn)練模型研究。在面對等量存儲圖像數(shù)據(jù)時，協(xié)同訓(xùn)練模型比傳統(tǒng)向量機模型的信息過濾速度更快，所挖掘出信息參量的價值潛力更大，可較好解決基于圖像處理技術(shù)的實用性問題。

關(guān)鍵詞：主動學(xué)習(xí);圖像分類;協(xié)同訓(xùn)練;樣本不確定性;抽樣系數(shù);核函數(shù);參數(shù)服務(wù)器;加速比

中圖分類號：O212;TP391? 文獻標(biāo)識碼：A? 文章編號：1673-260X（2021）11-0003-04

0 引言

主動學(xué)習(xí)是機器學(xué)習(xí)算法的特殊表現(xiàn)方式，能夠在解決類別歸屬問題的同時，給予大量的數(shù)據(jù)樣本，并借助不同的處理模型，對這些樣本信息進行分類處理，從而生成多個不同的門限判別條件?；ヂ?lián)網(wǎng)空間中，每一個數(shù)據(jù)樣本都有其直屬的信息類別，且通常情況下，每個信息類別中可包含多個數(shù)據(jù)樣本，但一個數(shù)據(jù)樣本卻只能屬于一種信息類別[1，2]。若將主動學(xué)習(xí)算法看作是從“數(shù)據(jù)”到“類別”的函數(shù)映射關(guān)系，則可根據(jù)機器學(xué)習(xí)理論中的數(shù)據(jù)定義思想，對信息參量進行分類處理，從而使得無類別數(shù)據(jù)的學(xué)習(xí)準(zhǔn)確率水平得以大幅提升。

由于互聯(lián)網(wǎng)空間的多樣性存儲能力，在實施圖像信息存儲指令時，極容易因不合理的信息過濾關(guān)系，從而導(dǎo)致有價值信息的挖掘準(zhǔn)確性下降。傳統(tǒng)向量機模型以簇間通信協(xié)議為基礎(chǔ)，在跨越第三方網(wǎng)絡(luò)主體的同時，降低圖像信息訓(xùn)練所需的簇間通信量水平，從而使得有價值信息得以暴露。然而，此方法在信息過濾方面的處理速度較慢，并不具備較強的信息挖掘潛力?；诖?，引入主動學(xué)習(xí)算法，通過定義圖像樣本不確定性條件的方式，建立新型的圖像分類協(xié)同訓(xùn)練模型，并在主動分類核函數(shù)的作用下，完成對參數(shù)服務(wù)器的準(zhǔn)確配置。

1 基于主動學(xué)習(xí)的圖像分類處理

圖像分類處理作為協(xié)同訓(xùn)練模型搭建的基礎(chǔ)處理環(huán)節(jié)，由樣本不確定性分析、邊緣抽樣系數(shù)計算、主動分類核函數(shù)定義三個步驟組成，在主動學(xué)習(xí)算法支持下，具體操作流程如下。

1.1 圖像樣本不確定性

圖像樣本是對網(wǎng)絡(luò)圖像存儲能力的描述，在主動學(xué)習(xí)算法的支持下，圖像樣本空間就越大，與之匹配的網(wǎng)絡(luò)圖像存儲能力也就越強。圖像樣本不確定性是一種泛化應(yīng)用能力，在圖像樣本的空間中，相鄰的兩個圖像數(shù)據(jù)雖然具備無限接近的能力，但卻始終不會完全地解除，因而越大圖像樣本空間，其中的樣本不確定性能力也就越弱[3，4]?；谥鲃訉W(xué)習(xí)算法的圖像樣本選擇能夠較好避免不確定性條件對于互聯(lián)網(wǎng)存儲能力的影響，且整個存儲過程中的所有指令行為都保持主動性的能力。因此，無論圖像樣本空間的增大或減小，主動學(xué)習(xí)算法都能較好穩(wěn)定有價值信息參量的傳輸與應(yīng)用能力。規(guī)定？字代表圖像樣本空間中的信息度量值，P？字代表度量值為？字時的圖像樣本存儲量，聯(lián)立上述物理量，可將基于主動學(xué)習(xí)算法的圖像樣本不確定性條件定義為：

1.2 邊緣抽樣系數(shù)

邊緣抽樣是主動學(xué)習(xí)算法中的慣用處理手段，由于圖像樣本不確定性條件的存在，該項處理行為能夠直接決定圖像分類的最終執(zhí)行結(jié)果。當(dāng)所處圖像信息空間較大時，邊緣抽樣系數(shù)的實值結(jié)果也會隨之增大;而當(dāng)圖像信息空間較小時，邊緣抽樣系數(shù)的實值結(jié)果也會隨之減小[5，6]。換句話說，邊緣抽樣系數(shù)是一個靈活性較大的指標(biāo)參量，能夠干預(yù)圖像分類的實際處理行為，且隨著圖像樣本不確定性能力的減弱，受到主動學(xué)習(xí)算法影響的圖像有價值信息量也會逐漸增大，這也是邊緣抽樣系數(shù)能夠在一定程度上決定圖像分類處理行為方向的主要原因[7]。設(shè)？琢代表有價值圖像信息的抽樣參量值，？著代表主動學(xué)習(xí)算法的抽樣參量值，聯(lián)立公式（1），可將圖像分類的邊緣抽樣系數(shù)表示為：

1.3 主動分類核函數(shù)

主動分類核函數(shù)決定了主動學(xué)習(xí)算法的實際應(yīng)用能力，在允許圖像樣本不確定性條件存在的情況下，網(wǎng)絡(luò)主機往往需要同時存儲大量的圖像樣本數(shù)據(jù)，而隨著邊緣抽樣系數(shù)的增大，核函數(shù)所屬的范圍區(qū)間也會不斷提升，直至主動學(xué)習(xí)算法能夠完全負(fù)擔(dān)圖像樣本數(shù)據(jù)的實際存儲需求。若已知邊緣抽樣系數(shù)的準(zhǔn)確計算數(shù)值，則可按照主動學(xué)習(xí)算法的具體要求，對已存儲圖像樣本數(shù)據(jù)所處空間進行安排，一方面為后續(xù)圖像分類與協(xié)同處理提供信息參量支持，另一方面也可避免已存儲圖像數(shù)據(jù)出現(xiàn)明顯的堆積行為[8，9]。設(shè)i1代表第一個圖像信息分類條件，in代表第n個圖像信息分類條件，聯(lián)立公式（2），可將基于主動學(xué)習(xí)算法的分類核函數(shù)定義為：

2 圖像分類協(xié)同訓(xùn)練模型的應(yīng)用

遵循主動學(xué)習(xí)算法的具體應(yīng)用需求，按照參數(shù)服務(wù)器配置、協(xié)同加速比確定、收斂訓(xùn)練指標(biāo)計算的處理流程，完成圖像分類協(xié)同訓(xùn)練模型的設(shè)計與搭建。

2.1 參數(shù)服務(wù)器配置

參數(shù)服務(wù)器是網(wǎng)絡(luò)環(huán)境中的重要應(yīng)用元件，可負(fù)擔(dān)與圖像信息相關(guān)的分類協(xié)調(diào)處理任務(wù)，并且可在執(zhí)行任務(wù)指令的同時，記錄各級訓(xùn)練節(jié)點所處的實時位置。參數(shù)服務(wù)器位于網(wǎng)絡(luò)結(jié)構(gòu)體的頂層應(yīng)用組織中，可在主動學(xué)習(xí)算法的作用下，向下級服務(wù)器傳達與圖像信息相關(guān)的數(shù)據(jù)處理指令。由于服務(wù)器內(nèi)部包含多條數(shù)據(jù)傳輸通道，因此這些信息處理指令的最終傳輸位置并不局限于單一的協(xié)同訓(xùn)練節(jié)點[10，11]。一般情況下，一個訓(xùn)練節(jié)點中必須完整包含一個協(xié)同訓(xùn)練模型與多類型的圖像數(shù)據(jù)信息，前者負(fù)責(zé)執(zhí)行參數(shù)服務(wù)器的核心處理指令，后者則可借助其他空余信道進入相應(yīng)的模型空間進行長期存儲。

2.2 協(xié)同加速比

隨著網(wǎng)絡(luò)存儲圖像信息量數(shù)值的提升，主動學(xué)習(xí)算法的作用能力也在逐漸增強，一般的參數(shù)服務(wù)器可能沒辦法完全滿足圖像的分類與協(xié)同訓(xùn)練處理需求。因此，網(wǎng)絡(luò)主機可將這種期望放置于圖像信息集群之上[12，13]。設(shè)m0代表加速前的圖像信息單位處理量，m1代表加速后的圖像信息單位處理量，聯(lián)立公式（3），可將圖像分類的協(xié)同加速比定義為：

?2.3 收斂訓(xùn)練指標(biāo)

收斂性是圖像信息在網(wǎng)絡(luò)存儲環(huán)境中所具備的關(guān)鍵訓(xùn)練能力，在已知協(xié)同加速比數(shù)值的情況下，可認(rèn)為收斂性能力越強，參數(shù)服務(wù)器所具備的圖像信息分類能力也就越強。收斂訓(xùn)練指標(biāo)是一類邊緣化應(yīng)用變量，其定義過程受到多個干擾條件的影響，但由于主動學(xué)習(xí)算法的存在，該項物理量的數(shù)值水平也基本不具備無線擴張的變化能力[15，16]。限定一個定值空間作為圖像信息的存儲環(huán)境，往往隨著協(xié)同樣本數(shù)量的增大，計算所得的收斂訓(xùn)練指標(biāo)數(shù)值才會不斷減小，直至能夠與協(xié)同加速比數(shù)值保持相對匹配的參數(shù)影響關(guān)系。設(shè)v0代表圖像信息的最小存儲系數(shù)，？茁代表協(xié)同數(shù)據(jù)信息的固定提取條件，聯(lián)立公式（4），可將收斂訓(xùn)練指標(biāo)計算結(jié)果表示為：

3 實驗結(jié)果分析

為了驗證提出的基于主動學(xué)習(xí)的圖像分類協(xié)同訓(xùn)練模型的應(yīng)用性能，將提出的基于主動學(xué)習(xí)的圖像分類協(xié)同訓(xùn)練模型設(shè)置為實驗組，將傳統(tǒng)向量機模型設(shè)置為對照組，進行單位時間內(nèi)的圖像信息過濾速度的對比測試，和QRP指標(biāo)變化規(guī)律的對比測試。配置實驗檢測環(huán)境，分別將實驗組主機、對照組主機與核心網(wǎng)絡(luò)控制器相連，實驗參數(shù)如表1所示。

在互聯(lián)網(wǎng)環(huán)境中提取兩組等量的圖像數(shù)據(jù)信息作為實驗對象，分別將其輸入實驗組與對照組控制主機中，確保其他外界干擾條件始終保持不變，記錄相關(guān)實驗指標(biāo)在既定時間節(jié)點處的真實數(shù)值水平。

3.1 單位時間內(nèi)的圖像信息過濾速度測試

單位時間內(nèi)的圖像信息過濾速度可用來表示為網(wǎng)絡(luò)主機對于圖像數(shù)據(jù)的存儲能力，當(dāng)信息過濾速度較快時，網(wǎng)絡(luò)主機往往具備較強的圖像數(shù)據(jù)存儲能力;而當(dāng)信息過濾速度較慢時，網(wǎng)絡(luò)主機則具備較弱的圖像數(shù)據(jù)存儲能力。實驗時間為50min，以每10min作為一個檢測時間段，共分為5組實驗組別，檢測實驗組與對照組在不同時間內(nèi)的圖像信息過濾速度，并記錄了實驗組、對照組圖像信息過濾速度的具體數(shù)值表現(xiàn)情況，如表2所示。

由表2可知，在以10min作為一個檢測時長的5組實驗組中，實驗組圖像信息過濾速度值在每一個單位時長中，均保持相對穩(wěn)定數(shù)值存在的狀態(tài)，只有第二、第三與第四、第五個單位時長之間，出現(xiàn)了較為明顯的數(shù)值下降變化趨勢，最小速度值6.2Mb/s，最大速度值7.3Mb/s;對照組圖像信息過濾速度在每一個單位時長內(nèi)的數(shù)值變化趨勢均不相同，在第二、第三與第三、第四個單位時長之間，產(chǎn)生了明顯下降的變化狀態(tài)，最小速度值3.1Mb/s，最大速度值4.0Mb/s。對比實驗組的檢測結(jié)果，對照組的整體均值水平遠遠低于實驗組數(shù)值，說明基于主動學(xué)習(xí)圖像分類協(xié)同訓(xùn)練模型的應(yīng)用，加快了圖像信息的過濾速度，單位時間內(nèi)的圖像信息過濾速度較快，促進了網(wǎng)絡(luò)主機對于圖像數(shù)據(jù)的實際存儲能力。

3.2 QRP指標(biāo)測試

QRP指標(biāo)可以描述網(wǎng)絡(luò)主機挖掘出圖像信息參量所具有的價值潛力。一般情況下，QRP指標(biāo)所表現(xiàn)出的數(shù)值水平越高，網(wǎng)絡(luò)主機挖掘出圖像信息參量所具有的價值潛力也就越大，二者之間始終保持一種正相關(guān)性影響變化關(guān)系。因此，對實驗組與對照組進行QRP指標(biāo)的測試，分為兩個實驗階段，分別為0-25min時間段和0-25min時間段，并記錄實驗組與對照組QRP指標(biāo)數(shù)值的實際變化情況，如圖2所示。

結(jié)合圖2所示的實驗結(jié)果可知，在本次實驗的兩個時間段測試中，在0-25min的實驗階段內(nèi)，實驗組QRP指標(biāo)曲線大部分位于對照組曲線上端，也有小部分位于對照組曲線下端，實驗組QRP指標(biāo)的最高值為87.1%，高于對照組最高值80.3%;而在30-55min的實驗階段內(nèi)，實驗組QRP指標(biāo)曲線完全位于對照組曲線上端，實驗組QRP指標(biāo)的最高值為89.7%，高于對照組最高值52.4%。根據(jù)兩個測試時間段的QRP指標(biāo)測試結(jié)果，實驗組QRP的最高指標(biāo)為87.1%，遠高于對照組的QRP最高指標(biāo)為80.3%，提高了9.4%。由此可以說明，應(yīng)用分類協(xié)同訓(xùn)練模型后，QRP指標(biāo)的最大表現(xiàn)數(shù)值出現(xiàn)了明顯上升的變化趨勢，能夠適應(yīng)挖掘具有巨大價值潛力圖像信息參量的應(yīng)用現(xiàn)狀。

4 結(jié)束語

隨著主動學(xué)習(xí)算法的應(yīng)用，圖像分類協(xié)同訓(xùn)練模型在網(wǎng)絡(luò)存儲空間中，可有效過濾不相關(guān)信息，從而挖掘出更具價值的信息參量，由于圖像樣本是在具備較強的不確定性，因此只有在已知邊緣抽樣系數(shù)的條件下，才能建立穩(wěn)定的主動分類核函數(shù)定義式。從全局化角度來看，這種新型協(xié)同訓(xùn)練模型更能適應(yīng)網(wǎng)絡(luò)空間對于圖像數(shù)據(jù)信息的實際存儲需求，與傳統(tǒng)向量機模型相比，實用性能力更強。

參考文獻：

〔1〕楊承文，李吉明，楊東勇.基于深度貝葉斯主動學(xué)習(xí)的高光譜圖像分類[J].計算機工程與應(yīng)用，2019， 55（18）：166-172.

〔2〕王立國，劉佳俊.結(jié)合邊緣采樣與差分進化的高光譜圖像半監(jiān)督協(xié)同分類框架[J].黑龍江大學(xué)自然科學(xué)學(xué)報，2020，37（01）：96-102.

〔3〕張銀芳，于洪，王國胤，等.一種用于數(shù)據(jù)流自適應(yīng)分類的主動學(xué)習(xí)方法[J].南京大學(xué)學(xué)報（自然科學(xué)），2020，56（01）：72-78.

〔4〕奚東升，郭建勛，薛飛.基于激光雷達掃描的輸電空間三維數(shù)據(jù)協(xié)同方法[J].電子設(shè)計工程，2020， 28（24）：57-60+65.

〔5〕汪敏，武禹伯，閔帆.基于多種聚類算法和多元線性回歸的多分類主動學(xué)習(xí)算法[J].計算機應(yīng)用，2020，40（12）：31-38.

〔6〕吳建，許鏡，丁韜.基于集成遷移學(xué)習(xí)的細粒度圖像分類算法[J].重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2020，32（03）：128-134.

〔7〕余傳明，王峰，安璐.基于深度學(xué)習(xí)的領(lǐng)域知識對齊模型研究：知識圖譜視角[J].情報學(xué)報，2019，38（06）：89-102.

〔8〕王占云，閆志華.一種基于深度學(xué)習(xí)的產(chǎn)品分類統(tǒng)計方法的研究[J].機械設(shè)計與制造，2020，349（03）：170-173.

〔9〕解冰.一種基于選擇性卷積特征和最大后驗高斯混合模型的細粒度圖像分類算法[J].華東理工大學(xué)學(xué)報（自然科學(xué)版），2019，45（05）：789-794.

〔10〕韓嫚莉，侯衛(wèi)民，孫靖國，等.基于PCA與協(xié)同表示的高光譜圖像分類研究[J].電子科技大學(xué)學(xué)報，2019，48（01）：117-121.

〔11〕李明俊，張正豪，宋曉琳，等.基于一種多分類半監(jiān)督學(xué)習(xí)算法的駕駛風(fēng)格分類模型[J].湖南大學(xué)學(xué)報（自然科學(xué)版），2020，47（04）：10-15.

〔12〕王鑫，李可，寧晨，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)和多核學(xué)習(xí)的遙感圖像分類方法[J].電子與信息學(xué)報，2019，41（05）：1098-1105.

〔13〕高子翔，張寶華，呂曉琪，等.基于自適應(yīng)池化的雙路卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法[J].計算機工程與設(shè)計，2019，40（05）：1334-1338.

〔14〕高原，陳愛斌，周國雄，等.基于OctConv的DCNN在遙感圖像場景分類中的應(yīng)用[J].電子測量與儀器學(xué)報，2020，34（01）：66-72.

〔15〕林聰.標(biāo)準(zhǔn)化病人教學(xué)模式在普外科臨床教學(xué)中的應(yīng)用效果觀察[J].飲食保健，2020，7（05）：276-277.

〔16〕楊楠，葉迪，林杰，等.基于數(shù)據(jù)驅(qū)動具有自我學(xué)習(xí)能力的機組組合智能決策方法研究[J].中國電機工程學(xué)報，2019，39（10）：2934-2945.