[發明專利]基于自監督學習的圖像分類方法及系統

有效

• 申請號: 201911213999.7
• 申請日: 2019-12-02
• 公開（公告）號: CN110909820B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 劉嵩;舒琦慧
• 申請（專利權）人: 齊魯工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06V10/774;G06V10/82
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

本公開公開了基于自監督學習的圖像分類方法及系統，獲取待分類的無標簽圖像；對所有待分類的無標簽圖像進行預處理；對預處理后的每一個無標簽圖像進行特征提取；每一個無標簽圖像均得到與之對應的特征；從所有待分類的無標簽圖像中劃分出一部分作為訓練集；對訓練集中所有無標簽圖像的特征進行聚類處理，確定每個特征所對應的類別，并對每個類別中的所有特征均打上對應的偽標簽；特征的偽標簽即為特征所對應無標簽圖像的偽標簽；基于訓練集中每一個無標簽圖像所提取的特征和偽標簽，對預訓練的神經網絡進行再訓練；將所有待分類的無標簽圖像的特征均輸入到優化訓練后的神經網絡中，輸出每一個待分類的無標簽圖像的偽標簽。

技術領域

本公開涉及圖像分類技術領域，特別是涉及基于自監督學習的圖像分類方法及系統。

背景技術

本部分的陳述僅僅是提到了與本公開相關的背景技術，并不必然構成現有技術。

隨著信息時代的到來，移動互聯網、智能手機以及社交網絡的發展帶來了海量圖片信息，不受地域和語言限制的圖片逐漸取代了繁瑣而微妙的文字，成為傳詞達意的主要媒介。海量的圖片信息逐一瀏覽比較耗費時間，所以圖像識別分類顯得尤為重要。

在實現本公開的過程中，發明人發現現有技術中存在以下技術問題：

傳統的圖像識別分類方法在提取特征方面采用人工提取的方法，效率不高，時間長。深度學習近年來在圖像和自然語言處理等方面表現出了良好的性能，比如卷積神經網絡。現有的基于深度學習的圖像分類算法中，有監督學習的算法需要有標簽的圖片才能準確的分類，而大多數的圖片是沒有標簽的，人工標注成本高。

發明內容

為了解決現有技術的不足，本公開提供了基于自監督學習的圖像分類方法及系統；

第一方面，本公開提供了基于自監督學習的圖像分類方法；

基于自監督學習的圖像分類方法，包括：

獲取待分類的無標簽圖像；對所有待分類的無標簽圖像進行預處理；

對預處理后的每一個無標簽圖像進行特征提取；每一個無標簽圖像均得到與之對應的特征；

從所有待分類的無標簽圖像中劃分出一部分作為訓練集；

對訓練集中所有無標簽圖像的特征進行聚類處理，根據聚類結果確定每個特征所對應的類別，并對每個類別中的所有特征均打上對應的偽標簽；特征的偽標簽即為特征所對應無標簽圖像的偽標簽；

基于訓練集中每一個無標簽圖像所提取的特征和每一個無標簽圖像的偽標簽，對預訓練的神經網絡進行再訓練；得到再訓練后的神經網絡；

將所有待分類的無標簽圖像的特征均輸入到優化訓練后的神經網絡中，輸出每一個待分類的無標簽圖像的偽標簽。

第二方面，本公開還提供了基于自監督學習的圖像分類系統；

基于自監督學習的圖像分類系統，包括：

預處理模塊，其被配置為：獲取待分類的無標簽圖像；對所有待分類的無標簽圖像進行預處理；

特征提取模塊，其被配置為：對預處理后的每一個無標簽圖像進行特征提取；每一個無標簽圖像均得到與之對應的特征；

訓練集劃分模塊，其被配置為：從所有待分類的無標簽圖像中劃分出一部分作為訓練集；

聚類處理模塊，其被配置為：對訓練集中所有無標簽圖像的特征進行聚類處理，根據聚類結果確定每個特征所對應的類別，并對每個類別中的所有特征均打上對應的偽標簽；特征的偽標簽即為特征所對應無標簽圖像的偽標簽；

訓練模塊，其被配置為：基于訓練集中每一個無標簽圖像所提取的特征和每一個無標簽圖像的偽標簽，對預訓練的神經網絡進行再訓練；得到再訓練后的神經網絡；