一种基于类别原型的半监督图像分类方法技术

本发明专利技术涉及一种基于类别原型的半监督图像分类方法，属于深度学习与半监督学习技术领域。首先使用了一种包含样本信息的特征描述类别原型信息，然后再通过一种加权半监督方法设计分类器，从而达到给图像分类的目的。本发明专利技术在提取类别原型信息的时候既使用了已标记样本的特征信息，同时也使用了可靠的无标记样本的特征信息，因而能够更准确地描述类别原型信息。为了减少分布外样本和私有样本对分类器性能的损害，本发明专利技术使用类别原型的信息来给不同的训练样本加权，并将其应用于图像分类中。实验证明本发明专利技术提出的方法在已标记样本和无标记样本的标签空间存在差异的情况下都能够对常见图像数据集取得令人满意的分类准确率。

【技术实现步骤摘要】

本专利技术涉及一种基于类别原型的半监督图像分类方法，属于深度学习与半监督学习。

技术介绍

1、在深度学习和半监督学习领域，图像分类是一项非常重要和基础的研究内容。通常情况下为了训练图像分类模型，需要使用大量带类别标注信息的图片，即已标记样本。然而，对图片的类别进行标注需要大量的人力资源。半监督图像方法通过对无标记样本的应用大大降低了对已标记样本的需求，因而可以有效地降低人力成本。因此，基于半监督的图像分类方法近年来获得了很大的成功。

2、经典的半监督图像分类方法可以分为三种类型。1）伪标签法（pseudo label）：通过利用在已标记样本上训练过的分类器来预测无标记样本的所属类别，并将预测概率最大的类别作为该无标记样本的伪标签，从而将训练过程转化为全监督学习。2）一致性正则化法（consistency regularization）：通过要求不同的网络对同一个无标记样本做出相同的预测，从而增强网络的鲁棒性。3）数据增广法（data augmentation）：通过要求分类器对同一个无标记样本的不同增广版本的预测结果保持一致，增强分类器对无标记本文档来自技高网...

【技术保护点】

1.一种生成类别原型的方法，其特征在于，如下包括步骤：

2.一种加权半监督方法，其特征在于，如下包括步骤：

3.根据权利要求1所述的生成类别原型的方法，其特征在于：所述第三步，具体为：首先，根据所述已标记样本的低维特征生成特征队列；所述特征队列的生成包括将已标记样本的低维特征根据其标注信息放入相应的栈中，若栈被放满，则用新的低维特征替代最旧的低维特征；

4.根据权利要求1所述的生成类别原型的方法，其特征在于：所述第四步，具体为：计算聚类损失，所述聚类损失的表达式为：

5.根据权利要求1所述的生成类别原型的方法，其特征在于：所述第五步，具体为...

【技术特征摘要】

1.一种生成类别原型的方法，其特征在于，如下包括步骤：

2.一种加权半监督方法，其特征在于，如下包括步骤：

3.根据权利要求1所述的生成类别原型的方法，其特征在于：所述第三步，具体为：首先，根据所述已标记样本的低维特征生成特征队列；所述特征队列的生成包括将已标记样本的低维特征根据其标注信息放入相应的栈中，若栈被放满，则用新的低维特征替代最旧的低维特征；

4.根据权利要求1所述的生成类别原型的方法，其特征在于：所述第四步，具体为：计算聚类损失，所述聚类损失的表达式为：

5.根据权利要求1所述的生成类别原型的方法，其特征在于：所述第五步，具体为：首先根据所述特征队列与类别原型，计算类内相似度；所述类内相似度的表达式为：

6.根据权利要求1所述的生成类别原型的方法，其特征在于：所述第六步，具体为：首先根...

【专利技术属性】
技术研发人员：李明语，林旭，齐冲冲，吴婉银，詹均，杨辉，宫辰，
申请(专利权)人：云南联合视觉科技有限公司，
类型：发明
国别省市：