[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

本發明公開了一種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，其對無標簽圖像數據進行灰度轉化，并為灰度圖像設置色彩標簽；對無標簽圖像數據按比例進行裁剪，并為裁剪后的小圖像設置相對位置標簽；對無標簽圖像數據旋轉多個角度，并為旋轉圖像設置角度旋轉標簽；采用上述三種自監督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，得到少量標簽訓練模型。通過在訓練模型中分別引入三種自監督任務，使少量有標簽數據和三種自監督任務共用一個編碼層結構參數共享，讓原本少量有標簽數據學習特征不明顯變為學習特征充分；利用自監督學習任務提高特征提取網絡的表征能力，改善少量有標簽數據分類任務的效果。

技術領域

本發明涉及圖像分類識別技術領域，尤其是涉及一種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。

背景技術

隨著大數據時代的到來，人工智能技術已經廣泛地應用到社會生活的各個方面：計算機視覺識別、自然語言處理和時序數據預測等，其中計算機視覺的成果是工業界應用最廣泛。圖像分類任務作為計算機視覺領域的基礎任務之一，其基本目的是判斷圖像中包含的物體類別。從一開始的傳統方法，即手工提取圖片特征到后來的深度學習方法，研究者們對圖像分類的探索也在不斷深入。近幾年圖像分類模型如雨后春筍般涌現出來，它們在大規模有標簽數據集上能夠很好的對圖像進行分類，但是當標簽數據有限時，它們的分類效果大不如前。這是因為它們訓練過程中依賴標簽數據，而人工標注的標簽數據相比原始的無標簽圖像數據獲取成本要難得多，而深度學習的發展方向也不能單一只依賴有標簽數據。

發明內容

本發明的目的在于克服上述技術不足，提出一種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，通過利用自監督學習任務提高特征提取網絡的表征能力，實現改善少量有標簽數據分類任務的技術效果。

為達到上述技術目的，本發明的技術方案第一方面提供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。

本發明第二方面提供一種基于少量標簽數據自監督聯合學習的圖像分類系統，其包括如下功能模塊：

灰度處理模塊，用于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；

位置處理模塊，用于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；

角度處理模塊，用于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；

模型訓練模塊，用于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。

本發明第三方面提供一種服務器，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述一種基于少量標簽數據自監督聯合學習的圖像分類方法的步驟。