[發明專利]一種基于對抗融合眾包標簽的圖像標記估計方法有效
| 申請號： | 202110576811.6 | 申請日： | 2021-05-26 |
| 公開（公告）號： | CN113033716B | 公開（公告）日： | 2021-09-21 |
| 發明（設計）人： | 李紹園;韋夢龍;黃圣君 | 申請（專利權）人： | 南京航空航天大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 南京經緯專利商標代理有限公司 32200 | 代理人： | 姜慧勤 |
| 地址： | 210016 江*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 對抗 融合 標簽 圖像 標記 估計 方法 | ||
1.一種基于對抗融合眾包標簽的圖像標記估計方法，其特征在于，包括如下步驟：
步驟1，獲取訓練圖像X，選擇標注平臺上的W個標注者分別對訓練圖像X進行標注，獲得每個標注者對應的眾包標簽Yw，w＝1,2,…,W；
步驟2，構建全連接深度表示學習網絡，對訓練圖像X進行特征提取，得到訓練圖像特征Z；
步驟3，為W個標注者分別構建各自對應的分類器，以訓練圖像特征Z作為輸入，以各標注者對應的眾包標簽作為預測目標；
步驟4，為W個標注者對應的分類器構建分類損失；
步驟5，構建生成對抗網絡，將各標注者對應的分類器作為生成器，判別器為單層神經網絡，生成對抗網絡的輸入為各標注者對應的分類器對訓練圖像X的預測標簽；
步驟6，為生成對抗網絡構建生成對抗損失；
步驟7，基于隨機梯度下降，端到端地對全連接深度表示學習網絡參數、分類器參數、生成對抗網絡參數進行迭代更新，訓練模型，該模型包括全連接深度表示學習網絡、分類器和生成對抗網絡；
步驟8，模型訓練完成后，獲取測試圖像Xtest，利用各標注者對應的分類器對測試圖像的標記進行預測，得到預測標記{f1(Xtest),f2(Xtest),……,fW(Xtest)}，將預測標記的多數投票作為最終標記估計。
2.根據權利要求1所述基于對抗融合眾包標簽的圖像標記估計方法，其特征在于，步驟2所述全連接深度表示學習網絡為兩層的卷積神經網絡。
3.根據權利要求1所述基于對抗融合眾包標簽的圖像標記估計方法，其特征在于，步驟3所述分類器為單層深度神經網絡。
4.根據權利要求1所述基于對抗融合眾包標簽的圖像標記估計方法，其特征在于，步驟4所述分類損失，具體形式如下：
其中，L1表示分類損失，W表示標注者數量，Nw表示第w個標注者有標記的訓練圖像數量，l表示交叉熵損失函數，fw表示第w個分類器，zi表示第i個訓練圖像提取后的特征，表示第w個標注者對第i個訓練圖像的標記。
5.根據權利要求1所述基于對抗融合眾包標簽的圖像標記估計方法，其特征在于，步驟6所述生成對抗損失，具體形式如下：
其中，L2表示生成對抗損失，W表示標注者數量，N表示訓練圖像的數量，fw表示第w個分類器，zi表示第i個訓練圖像提取后的特征，D表示判別器。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京航空航天大學，未經南京航空航天大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110576811.6/1.html，轉載請聲明來源鉆瓜專利網。
