Na extração de características de imagens, os rótulos das amostras não são completamente verdadeiros e válidos, o que pode levar a uma queda significativa na precisão da classificação em estruturas de classificação de imagens, enquanto os algoritmos atuais de recuperação de rótulos enfrentam o gargalo da reutilização eficiente de amostras ruidosas. Para isso, este artigo propõe um algoritmo de recuperação de rótulos baseado em um conjunto iterativo de projeção com particionamento de subconjuntos. O algoritmo primeiro extrai aleatoriamente várias vezes informações de pequenos subconjuntos, depois combina análise de componentes principais, regularização de gráfico de vizinhança e o algoritmo K-vizinhos mais próximos para redução confiável da dimensionalidade das imagens da amostra e conjunto iterativo de projeção, e finalmente segue o princípio de votação majoritária para realizar a restauração dos rótulos. Este artigo selecionou dois bancos de dados faciais representativos para realizar análises comparativas extensivas de vários algoritmos de recuperação de rótulos sob diferentes métricas. Os resultados experimentais mostram que o algoritmo proposto pode corrigir efetivamente os rótulos ruidosos das amostras, aumentando a precisão de classificação em 16,9% e 8,1% nos bancos de dados Yale B e AR, respectivamente, no mesmo framework de classificação de imagens. Em comparação com os melhores algoritmos atuais de recuperação de rótulos, o algoritmo de conjunto iterativo com particionamento de subconjuntos proposto pode melhorar a precisão da classificação em 4,3% a 4,7%, além de garantir a integridade dos dados das amostras e possuir certa escalabilidade.

Classificação de imagens;Extração de características;Rótulos ruidosos;Recuperação de rótulos;Redução confiável da dimensionalidade