【技术实现步骤摘要】
本专利技术涉及深度学习，具体涉及一种针对多模态图像的无标签cnn分类性能评估方法。
技术介绍
1、在多模态影像识别和分类任务中，对卷积神经网络分类性能的评估是一项关键的步骤。性能评估的重要目标之一，是在独立的数据集里验证卷积神经网络的准确性和有效性。比如，评估已训练的卷积神经网络在现实世界数据集的效用，或是评估卷积神经网络模型针对跨领域数据集的适应性。在深度学习算法的设计中，研究人员常常在监督学习的过程中采用数据验证方法来对模型进行评估和测试。常见的验证方法包括成本函数的定义、背包算法(bagging)、k折交叉验证(k-fold)、早停机制(early stopping)等方法。一个设计良好的验证评估方法可以提高训练模型的准确性，防止过拟合，并加快训练速度。
2、然而，卷积神经网络模型的验证评估通常需要各种类别的图像和相应的真实标签，需要花费大量的人工成本用于获取这些标签。一些通用的数据库，如imagenet和coco等数据库需要的标签规模极大，因此常常使用众包服务来帮助分类和注释。另一方面，一些专业任务需要具有一定行业背...
【技术保护点】
1.一种针对多模态图像的无标签CNN分类性能评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种针对多模态图像的无标签CNN分类性能评估方法，其特征在于，步骤S1具体包括：
3.根据权利要求1所述的一种针对多模态图像的无标签CNN分类性能评估方法，其特征在于，步骤S2具体包括：
4.根据权利要求3所述的一种针对多模态图像的无标签CNN分类性能评估方法，其特征在于，步骤S21中卷积神经网络模型前向传播的卷积层通道的输出的公式为：
5.根据权利要求4所述的一种针对多模态图像的无标签CNN分类性能评估方法，其特征...
【技术特征摘要】
1.一种针对多模态图像的无标签cnn分类性能评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种针对多模态图像的无标签cnn分类性能评估方法，其特征在于，步骤s1具体包括：
3.根据权利要求1所述的一种针对多模态图像的无标签cnn分类性能评估方法，其特征在于，步骤s2具体包括：
4.根据权利要求3所述的一种针对多模态图像的无标签cnn分类性能评估方法，其特征在于，步骤s21中卷积神经网络模型前向传播的卷积层通道的输出的公式为：
5.根据权利要求4所述的一种针对多模态图像的无标签cnn分类性能评估方法，其特征在于，步骤s22中无标签验证数据集中数据的目标类别的伪标签的计算公式为：
6.根据权利要求5所述的一...
【专利技术属性】
技术研发人员：丛超，谭鸿鋆，张学伟，蒋尚霖，
申请(专利权)人：重庆理工大学，
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。