申请/专利权人：山东建筑大学

申请日：2024-01-24

公开（公告）日：2024-04-26

公开（公告）号：CN117611932B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/762;G06V10/778;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明提出基于双重伪标签细化和样本重加权的图像分类方法及系统，涉及图像处理技术领域。包括样本数据集依次输入至学生网络和教师网络；将学生网络提取的样本特征输入至样本难度概率预测器，获得样本学习难度概率；教师网络中未标记数据分别通过聚类和预测得到最终预测概率；基于教师网络的学习状态进行类级阈值的动态调整，利用样本学习难度概率实现对各类阈值的自适应调整，得到对应类的阈值；若未标记样本的最终预测概率高于对应类的阈值，则用该类对未标记样本进行标记；更新网络参数，迭代直到达到收敛条件，完成模型的训练；利用训练好的模型对待分类图像进行分类。本发明提升了图像分类模型的准确性和鲁棒性。

主权项：1.基于双重伪标签细化和样本重加权的图像分类方法，其特征在于，包括以下步骤：获取包含标记数据和未标记数据的样本数据集，进行预处理；将预处理后的数据集随机加噪并依次输入至学生网络和教师网络中，分别提取样本特征；将学生网络提取的样本特征输入至样本难度概率预测器中，获得样本学习难度概率；将教师网络中的未标记数据分别通过聚类和预测得到聚类伪标签属于每一类的概率、预测伪标签属于每一类的概率，两者相融合得到最终预测概率；基于教师网络的学习状态进行类级阈值的动态调整，并利用前述的样本学习难度概率实现对每个样本各类阈值的自适应调整，得到对应类的阈值；若未标记样本的最终预测概率高于对应类的阈值，则用该类对未标记样本进行标记，并加入到标记数据中，用于下一轮的模型训练；最终预测概率的计算方法具体为：将教师网络提取的标记数据的样本特征聚类到多个簇，获取多个簇的簇标签及原型，将教师网络提取的未标记数据的样本特征映射到与标记数据相同的嵌入空间中，计算未标记样本特征与各类原型的相似度，得到未标记样本属于每一类的概率；将教师网络提取的样本特征经过平均池化层、全连接层和Softmax函数处理，获得该未标记数据预测伪标签属于每一类的概率；通过以下公式得到最终预测概率： ； 为聚类伪标签与预测伪标签融合的比例系数，为第个未标记数据；通过对每个类的学习能力强弱以及上一轮生成伪标签的类分布两个角度对教师网络的学习状态进行估计：教师网络学习能力强弱表示为： ，其中为所有预测为类数据的数量；表示标记或未标记数据在教师网络中的预测结果；；表示标记数据数量；表示未标记数据数量；为第个标记或未标记数据；教师网络上一轮生成伪标签的类分布表示为： 其中用于计算上一轮生成的伪标签为类别的数量；为类中的第类；类级阈值表示为： ，其中表示预先设定的最大置信度阈值；为C类的类级阈值；样本学习难度概率实现对每个未标记样本各类阈值的自适应调整： ，其中用于约束伪标签阈值不为负值；为第个未标记数据的学习难度概率；计算模型的总损失；更新学生网络、教师网络参数，迭代直到达到收敛条件，保存最小损失值时的网络模型，完成模型的训练；利用训练好的模型对待分类图像进行分类。

全文数据：

权利要求：

百度查询： 山东建筑大学 基于双重伪标签细化和样本重加权的图像分类方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD