[發明專利]基于半監督關系度量網絡的圖像識別方法及裝置有效
| 申請號： | 202111428246.5 | 申請日： | 2021-11-29 |
| 公開（公告）號： | CN113869333B | 公開（公告）日： | 2022-03-25 |
| 發明（設計）人： | 房體品;王瑞豐;襲肖明;楊光遠 | 申請（專利權）人： | 山東力聚機器人科技股份有限公司 |
| 主分類號： | G06V10/40 | 分類號： | G06V10/40;G06V10/762;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京中和立達知識產權代理有限公司 11756 | 代理人： | 孟姣 |
| 地址： | 276808 山東省日照市嵐山區安東*** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 監督 關系 度量 網絡 圖像 識別 方法 裝置 | ||
1.一種基于半監督關系度量網絡的圖像識別方法，其特征在于，方法包括：
對圖像數據集中的所有有標簽數據和無標簽數據進行數據擴充，得到擴充后的圖像數據集；
將擴充后的圖像數據集中的有標簽數據進行聚類操作，得到每個類別的類別原子圖像數據；
將擴充后的圖像數據集進行隨機加噪處理，將加噪后的圖像數據集和類別原子圖像數據輸入到半監督關系度量網絡模型，以得到有標簽數據和無標簽數據的不同類別模板對比得分；
根據不同類別模板對比得分計算交叉熵損失和均方差損失；
根據交叉熵損失和均方差損失進行訓練，得到訓練好的半監督關系度量網絡模型；
通過訓練好的半監督關系度量網絡模型對待識別圖像進行識別，以確定待識別圖像的所屬類別；
將擴充后的圖像數據集進行隨機加噪處理，將加噪后的圖像數據集和類別原子圖像數據輸入到半監督關系度量網絡模型，以得到有標簽數據和無標簽數據的不同類別模板對比得分，包括：
將擴充后的圖像數據集進行隨機加噪處理，將加噪后的圖像數據集和類別原子圖像數據輸入到半監督關系度量網絡模型的特征提取網絡，以得到有標簽數據的特征向量、無標簽數據的特征向量和類別原子向量；
將有標簽數據的特征向量、無標簽數據的特征向量和類別原子向量整合后輸入到半監督關系度量網絡模型的對比網絡中，得到有標簽數據和無標簽數據的不同類別模板對比得分，并且加權記錄全部數據的對比得分；
根據不同類別模板對比得分計算交叉熵損失和均方差損失，包括：
利用有標簽數據的對比得分，確定其得分最大值所對應的類別為第一目標預測類別；
計算第一目標預測類別與真實標簽類別之間的交叉熵損失,其中，yi表示真實標簽類別，ci表示第一目標預測類別；
利用全部數據的對比得分和歷史加權對比得分，確定其得分最大值所對應類別為第二目標預測類別；
計算第二目標預測類別的全部數據的對比得分與歷史加權對應的預測類別的歷史加權對比得分之間的均方差損失,其中
2.根據權利要求1所述的方法，其特征在于，對圖像數據集中的所有有標簽數據和無標簽數據進行數據擴充，得到擴充后的圖像數據集，包括：
將圖像數據集中的所有有標簽數據和無標簽數據進行尺寸變換，變換為預設尺寸；
利用隨機數據增強技術對所有有標簽數據和無標簽數據進行數據擴充，得到擴充后的圖像數據集。
3.根據權利要求1所述的方法，其特征在于，根據交叉熵損失和均方差損失進行訓練，得到訓練好的半監督關系度量網絡模型，包括：
將交叉熵損失和均方差損失進行加權求和，得到總損失；
利用總損失進行訓練，直到訓練輪次達到設定值；
將總損失最小時的半監督關系度量網絡模型確定為訓練好的半監督關系度量網絡模型。
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山東力聚機器人科技股份有限公司，未經山東力聚機器人科技股份有限公司許可，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/202111428246.5/1.html，轉載請聲明來源鉆瓜專利網。
