[發明專利]一種基于半監督自步學習跨任務深度網絡的圖像分類方法

在審

• 申請號: 201810346336.1
• 申請日: 2018-04-18
• 公開（公告）號: CN108764281A
• 公開（公告）日: 2018-11-06
• 發明（設計）人: 紀秋佳;吳斯;余志文
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.一種基于半監督自步學習跨任務深度網絡的圖像分類方法，其特征在于，所述方法包括以下步驟：

S1、從圖像整體數據集中隨機選取少量的標注樣本，保留其標簽，剩下的所有樣本作為未標注樣本，在整個流程中不知道其真實標簽，標注樣本的權重在訓練過程中恒為1，未標注樣本的權重初始化為0，初始時只使用標注樣本作為訓練集；

S2、使用訓練集訓練跨任務深度網絡；

S3、根據訓練好的跨任務深度網絡，預測所有未標注樣本的偽標簽，并賦予每個未標注樣本相應的權重；

S4、根據自步學習范式，選取高置信度的未標注樣本，添加到訓練集中；

S5、重復步驟S2-S4，直到跨任務深度網絡性能飽和或者達到預設循環次數。

2.根據權利要求1所述的一種基于半監督自步學習跨任務深度網絡的圖像分類方法，其特征在于：步驟S1中還需要對訓練集的樣本做進一步擴充，在圖像四周加4個像素的零進行填充，然后再隨機截取一個原圖像大小的圖像。

3.根據權利要求1所述的一種基于半監督自步學習跨任務深度網絡的圖像分類方法，其特征在于，步驟S2中的跨任務深度網絡由一個包含32個卷積核的卷積層、9個殘差塊、一個全局平均池化層和一個softmax層依次連接組成，分為分類和聚類兩個任務，所述殘差塊由兩個相連的卷積層和一個短路連接組成，分為兩種，一種會進行下采樣，一種不會進行下采樣，會進行下采樣的殘差塊訓練流程如下：

1)輸入卷積特征圖X；

2)將卷積特征圖X經過步長為1的卷積層C1，再用修正線性函數作為激活函數，得到特征圖X1；

3)將特征圖X1經過步長為1的卷積層C2，得到特征圖X2；

4)將卷積特征圖X和特征圖X2相加，再用修正線性函數作為激活函數，得到輸出Y；

不會進行下采樣的殘差塊訓練流程如下：

1)輸入卷積特征圖X；

2)將卷積特征圖X經過步長為1的卷積層C1，再用修正線性函數作為激活函數，得到特征圖X1；

3)將特征圖X1經過步長為2的卷積層C2，得到特征圖X2；

4)將卷積特征圖X經過最大池化，得到特征圖X3；

5)將特征圖X3和特征圖X2相加，再用修正線性函數作為激活函數，得到輸出Y。