一种基于敏感特征加噪的深度学习模型去偏方法及其装置制造方法及图纸

本发明专利技术公开了一种基于敏感特征加噪的深度学习模型去偏方法及其装置，首先将CelebA数据集作为初始样本集，并进行数据预处理；再基于差异影响、人口统计平等、机会平等指标定义偏见指标函数；然后构造并采用预热学习率策略训练敏感特征提取模型；再对加噪区域进行划分，对敏感特征进行随机加噪；最后构造深度学习模型，根据定义的偏见指标函数对深度学习模型进行训练，直至达到预设的准确度与偏见指标，结束训练，完成去偏。完成去偏。完成去偏。

【技术实现步骤摘要】
一种基于敏感特征加噪的深度学习模型去偏方法及其装置


[0001]本专利技术涉及深度学习模型的偏见问题的一种基于敏感特征加噪的深度学习模型去偏方法及其装置。

技术介绍

[0002]人工智能是社会发展和技术创新的产物，是促进人类进步的重要技术形态。人工智能发展至今，已经成为新一轮科技革命和产业变革的核心驱动力，正在对世界经济、社会进步和人民生活产生极其深刻的影响。其为普通民众提供覆盖更广、体验感更优、便利性更佳的生活服务。深度学习作为人工智能的重要领域，近年来也取得了相当惊人的发展成果。深度学习模型拥有强大的学习样本数据集内在函数规律和分析抽象化特征的能力，在很多领域辅助人们做出决策并给很多复杂的识别以及分类问题提供了解决方案。深度学习技术已经被广泛应用在诸多领域，其中以图像识别领域应用最早、最为成熟。Alex Krizhevsky等人在2012年设计了一个名为“AlexNet”的大型卷积神经网络，该神经网络以出色的性能赢得了当年举办的ILSVRC比赛。2013年，OverFeat的提出实现了识别、定位和检测可以共用一个网络结构，并获得了13年IL本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于敏感特征加噪的深度学习模型去偏方法，其特征在于，具体包括以下步骤：S1，将CelebA数据集作为初始样本集，并进行数据预处理；S2，基于差异影响、人口统计平等、机会平等指标定义偏见指标函数；S3，构造并采用预热学习率策略训练敏感特征提取模型；S4，对加噪区域进行划分，根据敏感特征提取模型对图像面部特征进行重建，对敏感特征进行随机加噪，进行数据增强；S5，构造深度学习模型，根据定义的偏见指标函数对深度学习模型进行训练，直至达到预设的准确度与偏见指标结束训练，完成去偏。2.根据权利要求1所述的基于敏感特征加噪的深度学习模型去偏方法，其特征在于，所述CelebA数据集中的所有图像都具有特征标记，所述特征标记包含人脸bounding box标注框、人脸特征点坐标以及属性标记。3.根据权利要求2所述的基于敏感特征加噪的深度学习模型去偏方法，其特征在于，所述属性标记包括性别标签和卷发标签。4.根据权利要求1所述的基于敏感特征加噪的深度学习模型去偏方法，其特征在于，所述数据预处理具体为：对CelebA数据集的图像进行大小和像素值归一化处理，将每张图片与其性别标签、是否卷发标签以及bounding box标签进行绑定；其中，所述性别标签作为敏感属性，bounding box标签用于数据增强。5.根据权利要求1所述的基于敏感特征加噪的深度学习模型去偏方法，其特征在于，所述敏感特征提取模型的输入和输出为大小和像素值归一的图像。6.根据权利要求1所述的基于敏感特征加噪的深度学习模型去偏方法，其特征在于，构所述敏感特征加噪框架模型包括特征提取器和分类器两部分；其中特征提取器采用5个卷积层，分类器采用2个全连接层构成的网络，激活函数采用Relu函数。7.根据权利要求2所述的基于敏感特征加噪的深度学习模型去偏方法，其特征在于，所述步骤S4具体为：(4.1)构造有偏见的主任务分类模型M，并进行训练：(4.2)利用bounding box标签对加噪区域进行划分；(4.3)根据敏感特征提取模型对图像面部特征进行重建，根据敏感属性提取模型对敏感属性信息较多的区域进行加噪。8.根据权利要求7所述的基于敏感特征加噪的深度学习模型去偏方法，其特征在于，所述步骤(4.3)具体包括以下子步骤：(4.3....

【专利技术属性】
技术研发人员：陈晋音，李秦峰，郑海斌，宣琦，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：