一种开放环境下基于标记分布学习的在线图像分类方法

本申请提供了一种开放环境下基于标记分布学习的在线图像分类方法，其技术要点是获取初始数据集，对初始数据集进行特征增量，对接受的新特征进行特征降维和特征选择，丰富特征并压缩数据，以构建标记分布矩阵以表示图像与类别之间的关系，在线更新模型参数，挖掘特征空间拓扑结构，通过稀疏学习方法分析样本相关性，通过训练样本的线性组合表示制定样本，捕获从特征空间到标签空间的映射，将其迁移到标记空间；设计类别动态调整机制，自动识别新类别并剔除无效类别；引入噪声过滤模块；通过过滤后的数据集重新训练模型并评估，并根据评估结果调整噪声过滤模块的参数，最终获得优化后的模型。