【技术实现步骤摘要】
本专利技术涉及计算机图像处理和机器学习领域，更具体地，涉及双视角相关性感知正则化的多标签置信度校准方法及系统。
技术介绍
1、随着科学技术的不断进步，越来越多的行业开始依赖自动化和人工智能技术，其中包括医疗领域和自动驾驶汽车行业。在这些领域，置信度（confidence）的准确性和可靠性显得尤为重要。
2、随着医疗技术的不断发展，医疗影像诊断和治疗过程中的自动化工具变得越来越常见。例如，计算机辅助诊断（cad）系统可以协助医生在医学影像中检测异常，如肿瘤或骨折。然而，这些自动化工具的置信度在对患者负责这一点极其重要。在医学影像中，置信度校准意味着确保自动化系统提供的结果的可信度和准确性。这包括了确保系统能够准确识别异常，同时减少错误报告正常结构为异常。为了实现这一目标，医疗科技公司需要不断优化算法，通过大规模的医疗影像数据进行训练和验证，以确保其自动化系统的性能达到医学专业标准。
3、在自动驾驶汽车领域，车辆必须依赖传感器和算法来感知周围环境、制定决策和执行驾驶操作。这就需要高度可信的置信度来确保车辆在各种情况下都能安全驾驶。在这一领域，置信度校准意味着确保传感器数据的准确性和可靠性。这包括激光雷达、摄像头、雷达等传感器提供的信息。置信度的准确性对于确保车辆能够正确地检测障碍物、遵守交通规则以及在紧急情况下采取适当行动至关重要。为了实现这一目标，汽车制造商和技术公司需要进行大规模的数据采集、传感器校准和算法改进。
4、在过去的研究中，已经提出了一些方法来解决多标签图像识别和置信度校准的问题，但
技术实现思路
1、本专利技术为克服上述现有技术的现有置信度校准方法不考虑多标签场景中的类别相关性和语义混淆的缺陷，提供了一种双视角相关性感知正则化的多标签置信度校准方法及系统。
2、本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
3、本专利技术第一方面提供了一种双视角相关性感知正则化的多标签置信度校准方法，包括：
4、使用预设的神经网络提取给定图像集的实例级类别特定特征，并运用监督对比损失对实例级类别特定特征进行处理，得到样本总损失；
5、计算所述图像集中图像间的实例级类别特定特征的相似度获得相似度矩阵，并对相似度矩阵进行平滑处理，得到第一标签；
6、从属于同一类别的所有图像中提取实例级类别特定特征，使用聚类算法，利用实例级类别特定特征形成原型特征，计算图像实例级类别特定特征与类别原型之间的相似度，并对得到的相似度进行标准化处理后再平滑处理得到第二标签；
7、计算所述第一标签和所述第二标签的损失函数，并结合样本总损失计算得到置信度。
8、进一步地，所述预设的神经网络为骨干网络。
9、进一步地，所述运用监督对比损失对实例级类别特定特征进行处理，得到样本总损失，包括：
10、使用余弦距离函数表示使用预设的神经网络提取的实例级类别特定特征之间的距离，如下：
11、
12、其中，表示特征，之间的距离，表示图像的第c个实例级类别特定特征，表示图像集中的第i个图像，c表示预设的神经网络提取的实例级类别特定特征数；
13、然后计算对比损失，得到图像集的样本总损失，如下：
14、
15、
16、其中，参数n表示训练集样本数量，参数i与j分别表示第i与第j个图像，c表示预设的神经网络提取的实例级类别特定特征数，表示第i个图像与第j个图像相似度的对比损失，表示样本总损失。
17、进一步地，所述计算所述图像集中图像间的实例级类别特定特征的相似度获得相似度矩阵，包括：
18、通过计算图像的每个实例级类别特定特征与图像集中图像的实例级类别特定特征的相似度来获得相似度矩阵；相似度矩阵表示为，其中元素表示图像的实例级类别特定特征j和k之间的相似度。
19、进一步地，所述对相似度矩阵进行平滑处理，包括：
20、首先屏蔽相似度矩阵的对角线，如下：
21、
22、其中，元素表示图像的实例级类别特定特征j和k之间的相似度；
23、其次使用softmax函数对相似度矩阵进行处理，即使用softmax函数对所有类别的相似度分数归一化，如下：
24、
25、其中，是超参数；
26、然后在归一化相似度矩阵时屏蔽负标签相应行，如下：
27、
28、其中，表示图像的j特征；
29、最后对相似度矩阵进行平滑处理得到实例级相关性感知正则化平滑后的标签，即第一标签，如下：
30、
31、其中，表示图像的c特征，表示图像的特征j和特征c之间的相似度。
32、进一步地，所述从属于同一类别的所有图像中提取特征，使用聚类算法，利用实例级类别特定特征形成原型特征，包括：
33、数据集中的图像带有类别标签，从标签为类别c的所有图像中提取所有实例级特征，类别c为预先标记好的任一类别；然后用k-means算法将实例级特征聚类为k个原型级特征。
34、进一步地，所述计算图像实例级类别特定特征与类别原型之间的相似度，并对得到的相似度进行标准化处理后再平滑处理得到第二标签，包括：
35、首先计算实例级类别特定特征与原型级特征的余弦相似度，得到图像与不同类别原型之间的相似度矩阵，如下：
36、
37、然后应用softmax函数对矩阵进行标准化，并平滑标准化矩阵，如下：
38、
39、其中，表示由经原型级相关性感知正则化平滑后的标签，即第二标签，是超参数，表示图像的c特征，表示图像的实例级类别特定特征与所有原型级特征的余弦相似度形成的矩阵。
40、进一步地，所述计算所述第一标签和所述第二标签的损失函数，并结合样本总损失计算得到置信度，包括：
41、计算第一标签和第二标签的交叉熵损失，如下：
42、
43、
44、其中，和分别表示第一标签和第二标签的交叉熵损失，参数n表示训练集样本数量，c表示预设的神经网络提取的实例级类别特定特征数，，分别为第一标签和第二标签，表示模型预测样本i属于类别c的概率；
45、结合样本总损失计算得到置信度，如下：
46、
47、其中，表示样本总损失，、和是平衡损失的三个超参数。
48、进一步地，对于没有特定类别特征学习的模型，首先引入一个特定类别学习模型，然后进行预训练，如下：
49、
50、其中，和分别表示第一标签和第二标签的交叉熵损失，表示样本总损失，、和是平衡损失的三个超参数；
51、然后利用引入的模型来提取实例级特定类别特征以构建第一标签和第二标签，最后进行训练，如下：...
【技术保护点】
1.一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，包括：
2.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述预设的神经网络为骨干网络。
3.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述运用监督对比损失对实例级类别特定特征进行处理，得到样本总损失，包括：
4.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述计算所述图像集中图像间的实例级类别特定特征的相似度获得相似度矩阵，包括：
5.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述对相似度矩阵进行平滑处理，包括：
6.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述从属于同一类别的所有图像中提取特征，使用聚类算法，利用实例级类别特定特征形成原型特征，包括：
7.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述计算图像
8.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述计算所述第一标签和所述第二标签的损失函数，并结合样本总损失计算得到置信度，包括：
9.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，对于没有特定类别特征学习的模型，首先引入一个特定类别学习模型，然后进行预训练，如下：
10.一种双视角相关性感知正则化的多标签置信度校准系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种双视角相关性感知正则化的多标签置信度校准方法程序，所述一种双视角相关性感知正则化的多标签置信度校准方法程序被所述处理器执行时实现如下步骤：
...【技术特征摘要】
1.一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，包括：
2.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述预设的神经网络为骨干网络。
3.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述运用监督对比损失对实例级类别特定特征进行处理，得到样本总损失，包括：
4.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述计算所述图像集中图像间的实例级类别特定特征的相似度获得相似度矩阵，包括：
5.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述对相似度矩阵进行平滑处理，包括：
6.根据权利要求1所述的一种双视角相关性感知正则化的多标签置信度校准方法，其特征在于，所述从属于同一类别的所有图像中提取特征，使用聚类算法，利用实例级类别特定特征形成原...
【专利技术属性】
技术研发人员：陈添水，付晨博，周锦诚，杨骏哲，何耀宏，徐佳艺，林泽滨，邓小慧，杨志景，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
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。