[發(fā)明專利]利用多距離度量協(xié)同選擇偽標簽的小樣本相機溯源方法

在審

• 申請?zhí)枺?/td>: 202211412385.3
• 申請日: 2022-11-11
• 公開（公告）號: CN115797720A
• 公開（公告）日: 2023-03-14
• 發(fā)明（設(shè)計）人: 侯嘉堯;王波
• 申請（專利權(quán)）人: 大連理工大學(xué)
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/74;G06V10/40;G06V10/82;G06N3/08;G06N3/0464
• 代理公司: 大連智高專利事務(wù)所(特殊普通合伙) 21235
• 代理人: 馬慶朝

1.一種利用多距離度量協(xié)同選擇偽標簽的小樣本相機溯源方法，通過使用多距離度量協(xié)同選擇偽標簽來提升來源鑒別性能，其特征在于，步驟如下：

S1、分別對測試樣本集和小樣本集進行特征提取；

S2、經(jīng)過多重距離度量模塊處理之后得到基于可解釋性特征選取的偽標簽樣本集；

S3、所述小樣本集和基于可解釋性特征選取的偽標簽樣本集經(jīng)由協(xié)同偽標簽選擇模塊迭代更新偽標簽樣本集；

S4、測試樣本集和迭代更新后的偽標簽樣本集經(jīng)由分類模型，最終得到源攝相機識別結(jié)果；

多重距離度量模塊中執(zhí)行如下步驟：在提取樣本的有效特征后，使用多重距離度量來監(jiān)控偽標簽的選擇；對于樣本特征向量的每個維度，計算每個測試和訓(xùn)練樣本對之間的歐幾里得距離、曼哈頓距離和切比雪夫距離，通過對上述距離度量進行排序，為每個訓(xùn)練樣本選擇m個最近的未標記樣本，并統(tǒng)計每個樣本的次數(shù)；然后為每個類別選擇n個樣本并設(shè)置為有效偽標記樣本，其中m，n為正整數(shù)。

2.如權(quán)利要求1所述的利用多距離度量協(xié)同選擇偽標簽的小樣本相機溯源方法，其特征在于，所述多重距離度量模塊中具體執(zhí)行如下步驟：

步驟一、為全部訓(xùn)練樣本提取多種特征向量；

步驟二、計算多種距離參數(shù)：選取i個距離參數(shù)，i∈M，s個距離參數(shù)，s∈{S_l:l∈L}}，生成距離向量集合升序排列D_s,i，并選取前m個向量集合，記為D_s,i′，其中M表示多重距離度量集合，L表示標簽集，S_l表示有標簽樣本集，m表示距離度量閾值；

步驟三、選擇偽標簽樣本：選取u個無標簽樣本，u∈U，l個有標簽樣本，l∈L，對集合{D_s′_,i:s∈S_l,i∈M}中的每個樣本u進行計數(shù)；如果樣本u的統(tǒng)計次數(shù)大于設(shè)定的統(tǒng)計次數(shù)閾值t，則用當前類別的偽標簽l來標記u。

3.如權(quán)利要求2所述的利用多距離度量協(xié)同選擇偽標簽的小樣本相機溯源方法，其特征在于，所述協(xié)同偽標簽選擇模塊中具體執(zhí)行如下步驟：

通過基于負樣本學(xué)習(xí)的方法對正樣本的學(xué)習(xí)方法的噪聲標簽的信息進行充分利用；公式(1)和公式(2)分別為正樣本學(xué)習(xí)方法和負樣本學(xué)習(xí)方法的交叉熵損失函數(shù)：

其中y_k表示真實標簽，p_k是模型輸出經(jīng)過softmax輸出層之后的概率預(yù)測分布，表示負樣本學(xué)習(xí)方法中的補標簽，c表示樣本的數(shù)量；

對于無標簽樣本集中的每個樣本u∈U，根據(jù)的正負標簽的置信閾值，確定相應(yīng)的偽標簽向量g⁽ⁱ⁾：

其中τ_p和τ_n分別表示正負標簽的置信閾值，τ_p,τ_n∈(0,1)，表示預(yù)測標簽的置信概率，如果則選擇正標簽；反之則選擇負標簽；1表示概率預(yù)測分數(shù)滿足置信閾值，否則為0；

基于高置信度的偽標簽向量過濾置信度不足的噪聲標簽，從而有效降低訓(xùn)練期間的噪聲干擾；

基于正負標簽的置信閾值的交叉熵損失被修改為公式(4)：

其中s⁽ⁱ⁾表示樣本i選取的偽標簽數(shù)，表示模型的概率預(yù)測輸出，是為未標記樣本分配的偽標簽；通過使用噪聲較小的偽標簽子集進行迭代訓(xùn)練進一步提升偽標簽樣本的可靠性。

4.如權(quán)利要求2所述的利用多距離度量協(xié)同選擇偽標簽的小樣本相機溯源方法，其特征在于，其中使用CFA圖像統(tǒng)計特征，執(zhí)行以下步驟：

對于每個像素點(m,n)及其鄰域(2k+1)×(2k+2)，插值模型如公式(5)所示：

其中，和分別表示彩色圖像中綠色、紅色和藍色通道的CFA插值系數(shù)權(quán)重，表示綠色通道中k像素附近的α插值系數(shù)，和分別表示紅色通道和藍色通道中k像素附近的α插值系數(shù)；根據(jù)bayerCFA的顏色分布，求解R和B采樣點的G插值系數(shù)以及兩個G采樣點的R和B插值系數(shù)，并計算其均值和方差，以獲得CFA插值系數(shù)特征矩陣的可解釋特征。