(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 202211011029.0 (22)申请日 2022.08.23 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 邹贵银　袁铭　刘群　王如琪　 王国胤　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王诗思 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种结合自监督与概念嵌入学习的图像生 成方法 (57)摘要 本发明属于图像聚类生 成领域， 具体为一种 结合自监督与概念嵌入学习的图像生成方法， 包 括用自编码器进行图像重构预训练， 得到图像数 据的第一特征空间， 用IForest算法优化第一特 征空间； 利用BCT对第一特征空间中的特征数据 进行处理， 提取图像数据中的先验概念参数； 利 用与自编码器相似的变分自编码器获得数据的 后验概念参数， 利用高斯云分布作为先验分布进 行优化； 利用FCT和VAE编码器对后验 概念参数处 理获得图像数据的第二特征空间； 利用先验概念 信息计算特征向量的软分布， 并进行正则化计算 优化数据在特征空间的分布情况； 利用VAE解码 器将特征向量重构为原始图像。 本发 明能够在无 监督的情况下根据概念信息指定生成的样本类 别。 权利要求书3页 说明书6页 附图2页 CN 115375931 A 2022.11.22 CN 115375931 A 1.一种结合自监督与概念嵌入学习的图像生成方法， 其特征在于， 所述方法包括以下 步骤： 利用预训练后的自编码器模型对图像数据进行处理， 获得所述图像数据的特征向量， 并构成第一特 征空间； 使用孤立森林算法删除第一特 征空间中的噪声数据， 更新所述第一特 征空间； 利用逆向云变换算法对第 一特征空间中的特征向量进行统计计算， 提取出所述图像数 据中的各类先验概念参数； 将预训练后的自编码器模型的各层参数 赋值给变分自编码器模型的对应层； 利用变分自编码器模型对所述 图像数据进行处理， 并将参数为(0,1,0)的高斯云分布 作为先验分布来进行约束优化， 提取 出所述图像数据的各个后验概念参数； 利用正向云变换算法对所述后验概念参数进行处理， 获得所述图像数据的第 二特征空 间； 计算第二特征空间的特征向量与 各类先验概念参数之间的隶属度， 得到所述图像数据 在第二特 征空间的软分布； 对所述软分布进行正则化计算获得辅助分布， 通过软分布与辅助分布 的KL散度， 对所 述第二特 征空间的特 征向量进行聚类优化； 按照先验概念参数的类别进行采样， 获得第二特征空间中相应类别的特征向量， 按照 相应类别生成图像。 2.根据权利要求1所述的一种结合自监督与概念嵌入学习的图像生成方法， 其特征在 于， 所述自编 码器模型的预训练过程包括利用自编 码器的编码器部 分提取出图像数据的特 征向量； 利用自编码器的解码 器部分对提取出的特征向量进 行解码， 生成重构图像； 将 输入 图像与重构图像之 间的均方误差作为损失函数迭代训练自编码器， 得到用于获得第一特征 空间的预训练自编码器。 3.根据权利要求1所述的一种结合自监督与概念嵌入学习的图像生成方法， 其特征在 于， 利用逆向云变换算法提取 出的所述图像数据中的各类先验概念参数表示 为： 其中， Ex,En,He依次代表从图像数据提取出的先验概念 的三个参数， 分别表示先验概 念的期望， 熵与超熵； n表示第一特征空间中 的特征向量总数， zi是第一特征空间的第i个特 征向量， 是第一特 征空间中所有特 征向量的二阶中心 矩。 4.根据权利要求1所述的一种结合自监督与概念嵌入学习的图像生成方法， 其特征在 于， 设置先验分布来进行约束优化包括假设图像数据的先验分布是参数分别为(0,1,0)的 高斯云分布， 利用先验分布与后验分布之间的KL散度， 将其作为第一损失函数进行约束优 化， 得到图像数据的各个后验概念参数， 其中所述第一损失函数表示 为：权　利　要　求　书 1/3 页 2 CN 115375931 A 2其中， LKL表示数据后验 分布与先验 分布之间的KL散度， j表示特征向量的维度数， n表示 第一特征空间中的特征向量总数， Ex'和En'依次代表图像数据的后验概念的期望和熵， Ex'j和En'j依次是Ex'和En'的第j维图像数据的后验概念的期望和熵。 5.根据权利要求1所述的一种结合自监督与概念嵌入学习的图像生成方法， 其特征在 于， 利用正向云变换算法获得的所述图像数据的第二特 征空间包括： En”＝ ε1⊙He'+En' z＝ ε2⊙En”+Ex' 其中， Ex',En',He'依次代表图像数据的后验概念的三个参数， 分别表示后验概念的期 望， 熵与超熵； E n”代表通过图像数据的熵与超熵 采样得到的正态随机熵； ε1和 ε2为正态随机 噪声，⊙为哈达玛积， z是第二特 征空间中的特 征向量。 6.根据权利要求1所述的一种结合自监督与概念嵌入学习的图像生成方法， 其特征在 于， 所述图像数据在第二特 征空间的软分布 表示为： 其中， qik是软分布中第i个图像数据属于第k类先验概念的概率， Ex(k)是第k类先验概念 的期望， En ”(k)是第k类先验概念的正态随机熵； K表示先验概念参数的类别。 7.根据权利要求1所述的一种结合自监督与语义嵌入学习的图像生成方法， 其特征在 于， 对所述软分布进行正则化计算获得辅助分布包括： 其中， pik是辅助分布中第i个图像数据属于第k类先验概念的概率， fk是第k类先验概念 的软集群频率， K表示先验概念参数的类别； I表示图像数据的数量。 8.根据权利要求1所述的一种结合自监督与概念嵌入学习的图像生成方法， 其特征在 于， 所述通过软分布与辅助分布的KL散度， 对 所述第二特征 空间的特征向量进 行聚类优化， 包括计算软分布与辅助分布之间的KL散度， 让两个分布相互逼近； 以此作为第二损失函数 让同类的图像数据在第二特征空间中靠拢， 而不同类的数据在第二特征空间中分离， 对第 二特征空间进行聚类优化； 其中， 第二损失函数表示 为： 其中， Lself是软分布与辅助分布之间的KL散度， pik是软分布中第i个图像数据属于第k权　利　要　求　书 2/3 页 3 CN 115375931 A 3