[發(fā)明專利]對圖像數(shù)據(jù)進行無偏見分類的方法

有效

• 申請?zhí)枺?/td>: 201911099709.0
• 申請日: 2019-11-12
• 公開（公告）號: CN110837570B
• 公開（公告）日: 2021-10-08
• 發(fā)明（設計）人: 張翼;?；w;黃遵锜;于劍;周中元;李澤松
• 申請（專利權）人: 北京交通大學;中國電子科技集團公司第二十八研究所;中電科大數(shù)據(jù)研究院有限公司
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 黃曉軍

1.一種對圖像數(shù)據(jù)進行無偏見分類的方法，其特征在于，包括：

根據(jù)分類標簽和偏見屬性對訓練圖像數(shù)據(jù)進行標注；

構建用于圖像分類的深度卷積神經(jīng)網(wǎng)絡，所述深度卷積神經(jīng)網(wǎng)絡包括卷積層、卷積層對應的特征分類器和偏見分類器，將訓練圖像數(shù)據(jù)輸入到所述深度卷積神經(jīng)網(wǎng)絡，將所述深度卷積神經(jīng)網(wǎng)絡中的卷積層輸出的圖像特征劃分為無偏見分類信息和偏見信息；

通過所述偏見分類器對所述偏見信息進行分類，通過所述特征分類器對所述無偏見分類信息進行分類，利用損失函數(shù)對所述偏見分類器和所述特征分類器進行迭代優(yōu)化；

利用優(yōu)化完成后的特征分類器對需要分類的圖像數(shù)據(jù)進行去偏見分類。

2.根據(jù)權利要求1所述的方法，其特征在于，所述的構建用于圖像分類的深度卷積神經(jīng)網(wǎng)絡，所述深度卷積神經(jīng)網(wǎng)絡包括卷積層、卷積層對應的特征分類器和偏見分類器，將訓練圖像數(shù)據(jù)輸入到所述深度卷積神經(jīng)網(wǎng)絡，將所述深度卷積神經(jīng)網(wǎng)絡中的卷積層輸出的圖像特征劃分為無偏見分類信息和偏見信息，包括：

構建用于圖像分類的深度卷積神經(jīng)網(wǎng)絡，所述深度卷積神經(jīng)網(wǎng)絡包括卷積層f，卷積層對應的特征分類器為h_t，在最高層卷積層后附加一個偏見分類器h_b，將訓練圖像數(shù)據(jù)輸入到所述深度卷積神經(jīng)網(wǎng)絡的卷積層f，使用了一個比例參數(shù)λ將卷積層f處理得到的特征劃分為無偏見分類信息v_t和偏見信息v_b，將生成無偏見分類信息v_t的參數(shù)記作f_t，將生成偏見信息v_b的參數(shù)記作f_b。

3.根據(jù)權利要求2所述的方法，其特征在于，所述的通過所述偏見分類器對所述偏見信息進行分類，通過所述特征分類器對所述無偏見分類信息進行分類，利用損失函數(shù)對所述偏見分類器和所述特征分類器進行迭代優(yōu)化，包括：

設置目標任務損失函數(shù)L_target來優(yōu)化所述特征分類器h_t，優(yōu)化過程如下所示：

公式1參數(shù)含義：F代表f_t和f_b的神經(jīng)網(wǎng)絡參數(shù)，公式1指的是使用梯度反向傳播法更新F和h_t來使得L_target最小化；

公式2參數(shù)含義：x_i表示第i張圖像的原始特征向量，表示一個由0和1組成的數(shù)組，數(shù)組的第t_i個值為1，其他為0，公式2為公式1的優(yōu)化目標，log h_t(f(x_i))表示是h_t的輸出在經(jīng)過對數(shù)處理后的結果，因為是一個分類結果，假設有k個類別，那么log h_t(f(x_i))就有k個值，每個值代表預測為每個類的可能性；

公式2是一個交叉熵損失函數(shù)，當最小化這個函數(shù)時，log h_t(f(x_i))就無限接近于即分類為第t_i個類的可能性最高，接近1。