[發(fā)明專(zhuān)利]一種離散標(biāo)簽下基于深度相對(duì)學(xué)習(xí)的霧天能見(jiàn)度估計(jì)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110261116.0
• 申請(qǐng)日: 2021-03-10
• 公開(kāi)（公告）號(hào): CN112989994A
• 公開(kāi)（公告）日: 2021-06-18
• 發(fā)明（設(shè)計(jì)）人: 章軍;胡濤;陳鵬;王兵;夏懿
• 申請(qǐng)（專(zhuān)利權(quán)）人: 安徽大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 合肥四閱專(zhuān)利代理事務(wù)所(普通合伙) 34182
• 代理人: 李蘇

1.一種離散標(biāo)簽下基于深度相對(duì)學(xué)習(xí)的霧天能見(jiàn)度估計(jì)方法，其特征在于，通過(guò)利用圖像的順序信息和相對(duì)關(guān)系來(lái)估計(jì)能見(jiàn)度，即VISOR-NET，具體操作如下：

步驟1：首先，將所有的數(shù)據(jù)集，按照比例分為訓(xùn)練集和測(cè)試集，在所有的數(shù)據(jù)集上，隨機(jī)選取30％的圖像作為測(cè)試集，其余部分作為訓(xùn)練集；

步驟2：將訓(xùn)練集圖像輸入到該方法的特征提取和回歸模型中，其中，特征提取和回歸模型前半部分的霧卷積神經(jīng)網(wǎng)絡(luò)可以視為一個(gè)特征提取器，圖像通過(guò)這里就可以得到霧天圖像的特征圖，再通過(guò)特征提取和回歸模型后半部分的一個(gè)全連接的回歸網(wǎng)絡(luò)，可以視為一個(gè)估計(jì)函數(shù)，通過(guò)特征來(lái)圖得到一個(gè)相對(duì)的回歸值；

步驟3：再將所有訓(xùn)練集圖像得到的相對(duì)的回歸值，提取序數(shù)信息來(lái)兩兩配對(duì)，再進(jìn)行比較，此外，比較的結(jié)果是由損失函數(shù)來(lái)體現(xiàn)，排序錯(cuò)誤的越多，損失函數(shù)越大；排序錯(cuò)誤越少，損失函數(shù)越小；

步驟4：該方法的第一個(gè)損失函數(shù)是本發(fā)明的目標(biāo)就是通過(guò)不斷的學(xué)習(xí)，迭代更新排序信息，讓損失函數(shù)L_s越小越好，最好減為0；并且，為了防止配對(duì)圖像的差值太大，使得值太過(guò)分散而不利于預(yù)測(cè)，這里還在加入一個(gè)聚類(lèi)損失L_c，最終將L＝L_s+λ*L_c作為本方法最終的損失函數(shù)；

步驟5：當(dāng)一次迭代過(guò)程結(jié)束，最終預(yù)測(cè)是通過(guò)最近鄰算法，判斷樣本的最終的能見(jiàn)度級(jí)別；

步驟6：最后就是不斷迭代，更新?lián)p失，重復(fù)上述過(guò)程，使得復(fù)合損失函數(shù)L減的越來(lái)越小，通過(guò)訓(xùn)練集樣本的預(yù)測(cè)值和真實(shí)值的比較，就可以得到訓(xùn)練準(zhǔn)確率；

步驟7：最后將測(cè)試集用訓(xùn)練好的權(quán)重，用同樣的方法進(jìn)行測(cè)試，即可得到測(cè)試準(zhǔn)確率。

2.根據(jù)權(quán)利要求1所述的一種離散標(biāo)簽下基于深度相對(duì)學(xué)習(xí)的霧天能見(jiàn)度估計(jì)方法，其特征在于，所述步驟3中的配比比較，具體步驟如下：

A、假設(shè)有M級(jí)別，用Y＝{1,…,M}表示；k級(jí)別標(biāo)注的一組實(shí)例可以記為：是由霧卷積神經(jīng)網(wǎng)絡(luò)提取的圖像的能見(jiàn)度特征；

而是由一個(gè)全連接的回歸網(wǎng)絡(luò)映射得到的的相對(duì)值，進(jìn)一步的，用其中的表示k級(jí)中已標(biāo)注的實(shí)例；

B、根據(jù)序數(shù)關(guān)系，類(lèi)別間的標(biāo)注y^k滿(mǎn)足不等式：y¹y²y³…y^M，盡管不知道真實(shí)的能見(jiàn)度但是這一相對(duì)值的序數(shù)關(guān)系應(yīng)該與上面的不等式一致，可以公式化為：

公式1：f(φ(x¹))f(φ(x²))f(φ(x³))…f(φ(x^M))；

通過(guò)上述公式1，VISOR-NET把這個(gè)序數(shù)關(guān)系被轉(zhuǎn)化為一系列的對(duì)，即公式2：

f(φ(x¹))f(φ(x²))，…，f(φ(x¹))f(φ(x^M))；

f(φ(x²))f(φ(x³))，…，f(φ(x²))f(φ(x^M))。

3.根據(jù)權(quán)利要求2所述的一種離散標(biāo)簽下基于深度相對(duì)學(xué)習(xí)的霧天能見(jiàn)度估計(jì)方法，其特征在于，上述的變換可以保持圖像之間的序數(shù)信息，可將有序回歸轉(zhuǎn)化為相對(duì)學(xué)習(xí)，可以簡(jiǎn)化代價(jià)函數(shù)和網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，考慮到在一個(gè)訓(xùn)練批次X_batch＝{x₁,x₂,…,x_R}與相應(yīng)的標(biāo)簽批次Y_batch＝{y₁,y₂,…,y_R}，每一次迭代都能夠得到配對(duì)的圖像，由于不知道類(lèi)內(nèi)關(guān)系，一批中所有序數(shù)關(guān)系已知的對(duì)組成配對(duì)訓(xùn)練集：

V＝{(x_i,x_j),x_i∈X_batch,x_j∈Y_batch,y_i≠y_j}；

定義一個(gè)序數(shù)矩陣G＝{g_ij}來(lái)表示V的序數(shù)相對(duì)關(guān)系；

即公式3：