[發明專利]基于少量標簽數據自監督聯合學習的圖像分類方法及系統

在審

• 申請號: 202111029018.0
• 申請日: 2021-09-03
• 公開（公告）號: CN113469296A
• 公開（公告）日: 2021-10-01
• 發明（設計）人: 丁冬睿;曲浩;王瀟涵;楊光遠;房體品;逯天斌
• 申請（專利權）人: 廣東眾聚人工智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00;G06T3/60
• 代理公司: 北京中和立達知識產權代理事務所(普通合伙) 11756
• 代理人: 楊磊

1.一種基于少量標簽數據自監督聯合學習的圖像分類方法，其特征在于，包括如下步驟：

對無標簽圖像數據進行色彩預處理，將每張圖像進行灰度轉化，并為灰度圖像設置色彩標簽；

對無標簽圖像數據進行相對位置預處理，將每張圖像按比例進行裁剪，并為裁剪后的小圖像設置相對原始的無標簽圖像的相對位置標簽；

對無標簽圖像數據進行旋轉角度預處理，將每張圖像旋轉多個角度，并為不同角度的旋轉圖像設置相對原始的無標簽圖像的角度旋轉標簽；

采用帶有彩色標簽的灰度圖像數據、帶有相對位置標簽的小圖像數據、帶有角度旋轉標簽的旋轉圖像數據以及帶有少量標簽的圖像數據對基礎訓練模型進行綜合訓練，經過迭代訓練得到少量標簽訓練模型，采用訓練好的少量標簽訓練模型對圖像進行分類。

2.根據權利要求1所述基于少量標簽數據自監督聯合學習的圖像分類方法，其特征在于，所述對無標簽圖像數據進行色彩預處理，將每張圖像進行灰度轉化，并為灰度圖像設置色彩標簽；包含：

將無標簽圖像的原始彩色圖像分為R、G、B三個顏色通道分量，并采用加權平均值的方式進行灰度等分處理，對灰度等分處理后的灰度圖像設置色彩標簽。

3.根據權利要求1所述基于少量標簽數據自監督聯合學習的圖像分類方法，其特征在于，所述對無標簽圖像數據進行相對位置預處理，將每張圖像按比例進行裁剪，并為裁剪后的小圖像設置相對原始的無標簽圖像的相對位置標簽；包含：

將每張圖像按比例進行裁剪，基于小圖像相對原始的無標簽圖像的相對位置，設置各個小圖像相對原始的無標簽圖像的相對位置標簽，并選取中心位置的小圖像作為中心小圖像。

4.根據權利要求1所述基于少量標簽數據自監督聯合學習的圖像分類方法，其特征在于，所述對無標簽圖像數據進行旋轉角度預處理，將每張圖像旋轉多個角度，并為不同角度的旋轉圖像設置相對原始的無標簽圖像的角度旋轉標簽；包含：

將無標簽圖像數據自RGB圖像轉化為HSV顏色空間圖像，對HSV轉換后的圖像進行多個角度的旋轉，并基于原始的無標簽圖像的角度設置旋轉圖像相對原始的無標簽圖像的角度旋轉標簽。

5.根據權利要求1所述基于少量標簽數據自監督聯合學習的圖像分類方法，其特征在于，所述帶有彩色標簽的灰度圖像數據、帶有相對位置標簽的小圖像數據、帶有角度旋轉標簽的旋轉圖像數據為自監督任務數據，在采用自監督任務數據以及帶有少量標簽的圖像數據對基礎訓練模型進行綜合訓練的過程中，通過自監督任務數據以及帶有少量標簽的圖像數據對訓練模型的損失函數進行調整。

6.根據權利要求1所述基于少量標簽數據自監督聯合學習的圖像分類方法，其特征在于，所述采用帶有彩色標簽的灰度圖像數據、帶有相對位置標簽的小圖像數據、帶有角度旋轉標簽的旋轉圖像數據以及帶有少量標簽的圖像數據對基礎訓練模型進行綜合訓練，經過迭代訓練得到少量標簽訓練模型，采用訓練好的少量標簽訓練模型對圖像進行分類，包括：

將所述帶有彩色標簽的灰度圖像數據、帶有相對位置標簽的小圖像數據、帶有角度旋轉標簽的旋轉圖像數據以及帶有少量標簽的圖像數據一齊輸入訓練模型的編碼層，得到各輸入數據的高級特征表示；

將各輸入數據的高級特征表示送入訓練模型的解碼層得到相應訓練預測輸出數據；

根據各輸入數據與相應訓練預測輸出數據計算損失函數，并綜合計算得到訓練模型的損失函數，根據損失函數對訓練模型進行優化得到的少量標簽訓練模型，采用訓練好的少量標簽訓練模型對圖像進行分類。