[發明專利]基于協同訓練的半監督電阻圖像分類方法

在審

• 申請號: 202310215540.0
• 申請日: 2023-03-08
• 公開（公告）號: CN116311191A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 羅丹;劉新;國鵬
• 申請（專利權）人: 天津仁愛學院
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06V10/764;G06V10/774;G06V10/77;G06V10/778
• 代理公司: 深圳匯策知識產權代理事務所(普通合伙) 44487
• 代理人: 遲芳

1.基于協同訓練的半監督電阻圖像分類方法，其特征在于，包括以下步驟：

S1、獲取電阻圖像，基于電阻的分類任務構建電阻圖像的有類標簽樣本集；針對電阻圖像的有類標簽樣本集的每張圖像，使用特征提取網絡提取圖像特征，得到通圖像特征，然后對特征圖進行特征降維處理；

基于電阻圖像的有類標簽樣本集，得到電阻圖像的有類標簽樣本集對應的特征集；

S2、利用RSM算法對步驟S1得到的特征集進行隨機抽取，得到兩個樣本相同、特征不同的視圖R₁和R₂；將抽取的多個樣本的視圖R₁和R₂對應的特征集，記為R₁集和R₂集；

S3、使用R₁集對分類器SVM₁進行訓練；

S4、使用R₂集對分類器SVM₂進行訓練；

S5、使用SVM₁對無類標簽樣本集U進行分類，得到所有無類標簽樣本的類別預測C₁；

S6、使用SVM₂對無類標簽樣本U進行分類，得到所有無類標簽樣本的類別預測C₂；

S7、篩選出兩次類別預測一致且BvSB的值大于閾值α的樣本，加入集合X；

S8、將X集合中所有樣本的類別隸屬度進行降序排序，取前β個樣本并結合它們的類標簽加入到R₁集和R₂集中，將該β個樣本從無類標簽樣本集U中刪除；

S9、重復步驟S3至S8，直到沒有新的樣本加入有類標簽樣本集或者超過設定的分類比例無類標簽樣本已被加入有類標簽樣本集中，結束。

2.根據權利要求1所述的基于協同訓練的半監督電阻圖像分類方法，其特征在于，S1中使用PCA方法對特征圖進行特征降維處理。

3.根據權利要求2所述的基于協同訓練的半監督電阻圖像分類方法，其特征在于，S1所述的特征提取網絡為VGG16網絡。

4.根據權利要求3所述的基于協同訓練的半監督電阻圖像分類方法，其特征在于，使用VGG16網絡提取圖像特征，得到通道數為1000的圖像特征。

5.根據權利要求4所述的基于協同訓練的半監督電阻圖像分類方法，其特征在于，S1中對特征圖進行特征降維處理后的特征維度為300維。

6.根據權利要求1至5任意一項所述的基于協同訓練的半監督電阻圖像分類方法，其特征在于，BvSB的計算公式為：

其中，x_i為樣本，其對應的最優類別的概率為p(y_bestx_i)，次優類別概率為P(y_second-bestx_i)。

7.根據權利要求6所述的基于協同訓練的半監督電阻圖像分類方法，其特征在于，所述樣本的類別隸屬度是指樣本經過測試后得到隸屬于不同樣本類別的概率，每一類樣本概率通過使用Python-sklearn中的SVM模型，作為協同訓練算法的基礎分類器；該模型在輸出時，能夠得到樣本屬于每個類別的概率的預測，即樣本的類別隸屬度。

8.根據權利要求7所述的基于協同訓練的半監督電阻圖像分類方法，其特征在于，S9中設定的分類比例為50％。

9.一種計算機存儲介質，其特征在于，所述存儲介質中存儲有計算機程序，所述計算機程序由處理器加載并執行以實現權利要求1至8任意一項所述的基于協同訓練的半監督電阻圖像分類方法。

10.一種基于協同訓練的半監督電阻圖像分類設備，其特征在于，所述設備包括處理器和存儲器，所述存儲器中存儲有計算機程序，所述計算機程序由處理器加載并執行以實現權利要求1至8任意一項所述的基于協同訓練的半監督電阻圖像分類方法。