【技术实现步骤摘要】
基于不确定性度量的图像分类方法及眼底图像分类方法
[0001]本专利技术属于图像处理领域，具体涉及一种基于不确定性度量的图像分类方法及眼底图像分类方法。
技术介绍
[0002]随着经济技术的发展，人工智能技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。以深度学习为代表的人工智能技术在准确性方面具有较大的优越性，这使得人工智能技术可以在一些应用领域代替繁杂的人工方法。
[0003]基于人工智能技术的图像分类方法已经广泛应用于临床医学、基础医学研究、工业生产等领域。但是，由于现有的图像分类方法严重依赖于训练数据，使得其在具体应用时，常常对目标图像数据进行了过度的解读，从而出现了分类过程中的过自信问题。造成这一现象的关键因素是，现有的图像分类方法无法及时发现并度量预测过程中由于数据量不够以及数据采集存在的误差等所造成的不确定性因素。这些不确定性因素的存在，导致现有的图像分类方法在具体应用出现了较大的盲目性，引起不必要的误判，进而严重影响分类方法的准确性和可靠性。
技术实现思路
[...
【技术保护点】
【技术特征摘要】
1.一种基于不确定性度量的图像分类方法，包括如下步骤：S1.获取已有的数据集，并进行分类标记；S2.构建基础分类网络，将步骤S1获取的数据集输入到基础分类网络中，并根据网络的输出进行不确定性信息的度量；S3.根据步骤S2度量得到的不确定性信息，对基础分类网络进行优化，得到最终的分类模型；S4.采用步骤S3得到的分类模型，进行目标图像的图像分类，并输出对应的分类结果的置信度。2.根据权利要求1所述的基于不确定性度量的图像分类方法，其特征在于所述的步骤S2，具体包括如下步骤：A.以VGG16作为基础分类网络；B.将步骤S1获取的数据集输入到基础分类网络中，并根据基础分类网络的输出度量不确定性信息；C.对步骤B进行若干次采样，从而度量更深层次的不确定性信息。3.根据权利要求2所述的基于不确定性度量的图像分类方法，其特征在于所述的步骤A，具体包括如下步骤：以VGG16作为基础分类网络；以交叉熵损失作为基础损失，并采用如下算式作为损失公式：式中交叉熵损失值；y
i
为第i个样本的真实标签；p
i
为网络对第i个样本预测分类概率；log()表示以2为底数的对数。4.根据权利要求3所述的基于不确定性度量的图像分类方法，其特征在于所述的步骤B，具体为将基础分类网络的全连接层的输出转换为证据信息，并基于证据信息度量不确定性信息；具体包括如下步骤：B1.将网络为每个类别对应输出的值作为预测的支持意见：对于二分类任务，网络对每个类别的输出为个类别的输出为为网络输出分类为正样本的类激活值，为网络输出分类为负样本的类激活值；为了保证每个类别所对应证据的非负性，将每个类别对应的支持意见值经过ReLU激活函数后，生成每个类别对应的分类主观证据值经过ReLU激活函数后，生成每个类别对应的分类主观证据为网络输出分类为正样本的证据值，为网络输出分类为负样本的证据值；B2.对于二分类任务，正样本对应的信心分数为负样本对应的信心分数为样本的不确定分数为u
i
，则样本的信心分数和不确定分数满足关系为对样本的每个类别的不确定性对应的证据都赋予定值1，结合每个类别对应的分类主观证据计算得到样本对应的总证据S
i
为B3.计算得到样本的预测不确定分数u
i
为同时计算得到正样本对应的信心分
数为负样本对应的信心分数为5.根据权利要求4所述的基于不确定性度量的图像分类方法，其特征在于所述的步骤C，具体包括如下步骤：C1.在网络的最后两个全连接层设置dropout，并设置dropout的概率为0.3；C2.对全连接层参数进行若干次随机采样，从而得到若干组网络输出值从而为每一组采样输出值得到对应的不确定性分数u
i
；最终，通过采样，为每个样本收集到一组不确定性分数其中N为采样的次数，为第i个样本第j次采样的网络预测的不确定性值；C3.对采样获取的不确定性分数，统计标准差σ(U
i
)、方差σ2(U
i
)和均值μ(U
i
)；其中，方差σ2(U
i
)为对网络不确定性的一种度量方式，且其中为对样本采样到的一组不确定性分数的均值μ(U
i
)，且6.根据权利要求5所述的基于不确定性度量的图像分类方法，其特征在于所述的步骤S3，具体包括如下步骤：a.采用证据信息参数化Dirichlet分布，从而降低不确定性；b.对采样过程中得到的网络预测的方差、标准差和均值进行最小化，从而降低网络的不确定性；c.构建最终的约束项，从而对基础分类网络进行优化。7.根据权利要求6所述的基于不确定性度量的图像分类方法，其特征在于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。