[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

说明书

本发明公开了一种基于半监督深度学习的图像分类方法、装置和存储介质，其方法包括：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。本发明能利用隐藏在非标签训练数据中的鉴别信息，同时也能利用当前深度特征的高度可分性，可以更有效、准确地利用未标注样本，从而获得更好的图像识别性能。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于半监督深度学习的图像分类方法、装置和存储介质。

背景技术

近几年来，基于深度学习(Deep Learning)的技术在计算机视觉领域取得了很好的成效，比如，人脸识别和目标分类，其中代表性的深度学习方法有CNN(卷积神经网络)、RNN(递归神经网络)、Autoencoder,GAN(生成式对抗网络)，等等。

然而，在实际应用中，由于给样本进行标注需要耗费大量的时间和人力，因此，在现实生活中，通常有大量的未进行标注的样本，利用这些未进行标注的样本来提高最后的识别效果的方法称为半监督学习。

为了能更好地利用非标签训练数据的鉴别信息，以及深度特征的高鉴别性，基于深度半监督学习的工作已经得到了科研工作者的深入研究。比如，目前有通过整合卷积神经网络和高斯概率模型进行半监督深度核学习的方法、通过同时最小化监督和无监督函数的损失来训练半监督深度学习模型，等等。虽然半监督深度学习的方法能够学习高水平的表示特征，但是它忽略了如何更有效地利用非标签样本的高鉴别性。

发明内容

本发明提供一种基于半监督深度学习的图像分类方法、装置和存储介质，旨在建立一个统一的半监督深度学习和未标注样本类别估计的模型，可以更有效、准确地利用未标注样本，提高图像识别效果。

为实现上述目的，本发明提供一种基于半监督深度学习的图像分类方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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：