[发明专利]基于半监督深度学习的图像分类方法、装置和存储介质

权利要求书

1.一种基于半监督深度学习的图像分类方法，其特征在于，包括以下步骤：

获取标签训练图像样本和非标签训练图像样本，得到标签训练集；

结合深度学习以及半监督学习对所述标签训练集进行卷积神经网络训练，建立统一的半监督深度学习和未标注样本类别估计的模型；

基于所述半监督深度学习和未标注样本类别估计的模型进行图像识别分类；

所述结合深度学习以及半监督学习进行卷积神经网络训练，建立统一的半监督深度学习和未标注样本类别估计的模型的步骤包括：

将所述标签训练集输入并训练卷积神经网络模型，提取所述标签训练图像样本和非标签训练图像样本的深度特征；

对提取深度特征后的非标签图像样本进行类别估计，得到类别估计结果；

根据所述类别估计结果，将可信度满足预设条件的非标签图像样本再次加入到卷积神经网络重新进行训练，得到半监督深度学习和未标注样本类别估计的模型；

所述获取标签训练图像样本和非标签训练图像样本，得到标签训练集的步骤之后还包括：

初始化所述标签训练图像样本和非标签训练图像样本数据；

所述初始化所述标签训练图像样本和非标签训练图像样本数据的步骤包括：

初始化概率矩阵P₀，包括：构造一个矩阵元素(m，k)的n*l的矩阵，n为标签训练图像和非标签训练图像的总数目，l为总的类别数目，矩阵元素(m，k)表示的是第m个训练图像属于第k类的概率，其中，m≤n,k≤l；

所述对提取深度特征后的非标签图像样本进行类别估计，得到类别估计结果的步骤包括：

根据所述标签训练图像样本和非标签训练图像样本的深度特征构造相似矩阵T；

根据所述初始化概率矩阵P₀和相似矩阵T，对提取深度特征后的非标签图像样本进行类别估计，得到最终的概率矩阵P。

2.根据权利要求1所述的方法，其特征在于，所述基于所述半监督深度学习和未标注样本类别估计的模型进行图像识别分类的步骤包括：

基于所述半监督深度学习和未标注样本类别估计的模型进行图像字符识别和图像目标分类。

3.根据权利要求1所述的方法，其特征在于，所述根据所述类别估计结果，将可信度满足预设条件的非标签图像样本再次加入到卷积神经网络重新进行训练，得到半监督深度学习和未标注样本类别估计的模型的步骤包括：

获取所述最终的概率矩阵P中的可信样本；

将所有的可信样本，当作新的标签数据，加入到卷积神经网络的训练中重新训练卷积神经网络，得到半监督深度学习和未标注样本类别估计的模型。