[發明專利]期望與反期望深度學習方法和神經網絡系統

有效

• 申請號: 201711001729.0
• 申請日: 2017-10-24
• 公開（公告）號: CN108038543B
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 朱定局
• 申請（專利權）人: 華南師范大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 劉雯

1.一種期望與反期望深度學習方法，其特征在于，包括以下步驟：

獲取訓練數據中的輸出數據的期望標簽和反期望標簽；其中，所述反期望標簽是與所述期望標簽的屬性相反的標簽，所述訓練數據中的輸入數據為圖像數據，所述期望標簽為第一圖像類別，所述反期望標簽為第二圖像類別；

初始化與期望標簽對應的深度學習神經網絡，得到期望深度學習神經網絡，初始化與反期望標簽對應的深度學習神經網絡，得到反期望深度學習神經網絡；

通過訓練數據中的輸入數據分別對期望深度學習神經網絡和反期望深度學習神經網絡進行無監督訓練；

從訓練數據中獲取與期望標簽一致的輸出標簽對應的輸入數據，將該輸入數據作為輸入，將1作為預期輸出，對期望深度學習神經網絡進行有監督訓練，并從訓練數據中獲取與期望標簽及反期望標簽都不一致的輸出標簽對應的輸入數據，將該輸入數據作為輸入，將0作為預期輸出，對期望深度學習神經網絡進行有監督訓練；

從訓練數據中獲取與反期望標簽一致的輸出標簽對應的輸入數據，將該輸入數據作為輸入，將1作為預期輸出，對反期望深度學習神經網絡進行有監督訓練，并從訓練數據中獲取與期望標簽及反期望標簽都不一致的輸出標簽對應的輸入數據，將該輸入數據作為輸入，將0作為預期輸出，對反期望深度學習神經網絡進行有監督訓練；

得到已訓練的期望深度學習神經網絡和反期望深度學習神經網絡，所述已訓練的期望深度學習神經網絡用于預測圖像數據屬于第一圖像類別的概率，所述已訓練的反期望深度學習神經網絡用于預測圖像數據屬于第二圖像類別的概率。

2.根據權利要求1所述的期望與反期望深度學習方法，其特征在于，從訓練數據中獲取與期望標簽一致的輸出標簽對應的輸入數據，將該輸入數據作為輸入，將1作為預期輸出，對期望深度學習神經網絡進行有監督訓練的步驟之后還包括：

將所述訓練數據中與期望標簽一致的輸出標簽對應的輸入數據作為第一輸入數據；

從每一第一輸入數據中篩選出第一預設比例的數據，得到對應的每一第二輸入數據；

將每一第二輸入數據作為輸入，將對應的第一預設比例作為預期輸出，對期望深度學習神經網絡進行有監督訓練。

3.根據權利要求1所述的期望與反期望深度學習方法，其特征在于，從訓練數據中獲取與反期望標簽一致的輸出標簽對應的輸入數據，將該輸入數據作為輸入，將1作為預期輸出，對反期望深度學習神經網絡進行有監督訓練的步驟之后還包括：

將所述訓練數據中與反期望標簽一致的輸出標簽對應的輸入數據作為第三輸入數據；

從每一第三輸入數據中篩選出第二預設比例的數據，得到對應的每一第四輸入數據；

將每一第四輸入數據作為輸入，將對應的第二預設比例作為預期輸出，對反期望深度學習神經網絡進行有監督訓練。

4.根據權利要求1所述的期望與反期望深度學習方法，其特征在于，在分別對所述期望深度學習神經網絡和反期望深度學習神經網絡進行訓練之后，還包括以下步驟：

計算輸入數據對應的輸出屬于期望標簽的可信度及輸入數據對應的輸出屬于反期望標簽的可信度。

5.根據權利要求4所述的期望與反期望深度學習方法，其特征在于，計算輸入數據對應的輸出屬于期望標簽的可信度及輸入數據對應的輸出屬于反期望標簽的可信度的步驟包括：

將輸入數據輸入期望深度學習神經網絡，得到期望深度學習神經網絡的輸出數據；

將輸入數據輸入反期望深度學習神經網絡，得到反期望深度學習神經網絡的輸出數據；

根據期望深度學習神經網絡的輸出數據與反期望深度學習神經網絡的輸出數據得到輸入數據對應的輸出屬于期望標簽的可信度及輸入數據對應的輸出屬于反期望標簽的可信度。