一种基于迁移学习的无监督低质量图像分类方法技术

本发明专利技术提供了一种基于迁移学习的无监督低质量图像分类方法。该方法包括：将清晰图像输入无监督清晰图像分类模型，提取清晰图像的伪标签，得到训练好的无监督清晰图像分类模型；构建无监督低质量图像分类模型，使用特征一致性损失来约束无监督低质量图像分类模型的训练，得到训练好的无监督低质量图像分类模型；将待识别的低质量图像输入到所述训练好的无监督低质量图像分类模型，输出所述待识别的低质量图像的类别标签。本发明专利技术方法解决了低质量图像模糊不清晰且无类别标签的问题，引入了对称交叉熵损失函数，降低噪声标签对图像分类性能的影响，用清晰图像生成的伪标签来指导低质量图像分类，提升了低质量图像的分类性能。提升了低质量图像的分类性能。提升了低质量图像的分类性能。

【技术实现步骤摘要】
一种基于迁移学习的无监督低质量图像分类方法


[0001]本专利技术涉及图像分类
，尤其涉及一种基于迁移学习的无监督低质量图像分类方法。

技术介绍

[0002]随着图像数据集的不断增大和深度学习技术的不断发展，从AlexNet到SENet，每一种新型的神经网络结构都为图像分类任务带来了新的突破，也为深度学习的发展开辟了新的方向，在ImageNet等数据集上的分类性能显著提高。但是这些都是有监督的图像分类方法，需要有类别标签。有监督学习在许多领域中取得了显著成功，然而，由于有监督学习对手动标记的依赖，人们开始探索更好的解决方案。无监督学习因其在表示学习方面的快速发展而受到研究人员的广泛关注，被认为是一种有效的替代方法。无监督学习因不需要利用人为标签，可以省去大量的无意义的重复人工操作，并可以使用更大规模的无标签数据集进行训练。大量的无监督的图像分类方法被提出，但是大部分方法都是针对清晰图像的。然而，在许多实际应用中，比如无人驾驶和视频监控，获取的图像往往包含雾霾、模糊、噪声等降质。由于图像质量的下降，给图像分类工作带来了很多困难，导致图像分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的无监督低质量图像分类方法，其特征在于，包括：构建无监督清晰图像分类模型，将清晰图像输入所述无监督清晰图像分类模型，提取所述清晰图像的伪标签，利用对称交叉熵损失训练所述无监督清晰图像分类模型，得到训练好的无监督清晰图像分类模型；基于所述训练好的无监督清晰图像分类模型构建无监督低质量图像分类模型，在清晰图像的伪标签与低质量图像的预测概率之间使用对称交叉熵损失来优化训练所述无监督低质量图像分类模型，使用特征一致性损失来约束所述无监督低质量图像分类模型的训练，得到训练好的无监督低质量图像分类模型；将待识别的低质量图像输入到所述训练好的无监督低质量图像分类模型，所述训练好的无监督低质量图像分类模型输出所述待识别的低质量图像的类别标签。2.根据权利要求1所述的方法，其特征在于，所述的构建无监督清晰图像分类模型，将清晰图像输入所述无监督清晰图像分类模型，提取所述清晰图像的伪标签，包括：基于主干网络构建无监督清晰图像分类模型，所述主干网络的特征向量维度为(1,2048)，在所述主干网络的后面添加一个投影层和一个原型层，将清晰图像输入所述无监督清晰图像分类模型，将清晰图像提取的特征通过k
‑
means进行聚类并为每幅清晰图像分配一个聚类中心作为伪标签，从投影层提取出来的特征向量经过k
‑
means聚类算法优化损失函数(1)，得到k个类别的聚类中心，其中k为聚类数量，C
i
表示第i个簇中的数据点集合，|
·
|是欧几里得距离，x表示特征向量；聚类结束后，为每幅清晰图像分配距离自己欧氏距离最近的一个聚类中心的标号作为该清晰图像的伪标签。3.根据权利要求2所述的方法，其特征在于，所述的利用对称交叉熵损失训练所述无监督清晰图像分类模型，得到...

【专利技术属性】
技术研发人员：裴艳婷，陈韬宇，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：