[发明专利]一种基于图像内容的标签自动化定义方法

权利要求书

1.一种基于图像内容的标签自动化定义方法，其特征在于，包括以下步骤：

步骤1：利用ImageNet数据集在ResNet50模型进行训练，生成预训练模型；

步骤1.1：使用ResNet50模型在ImageNet数据集中已学习到的参数初始化ResNet50模型;

步骤1.2：设置ResNet50模型的卷积层的参数不可再训练，采用迁移学习，使得训练速度更快；

步骤1.3：将卷积层的Flatten层修改为全局平均池化层，减少全连接层参数并提高运行速度；

步骤1.4：将ResNet50模型输出层的激活函数换为sigmoid函数，生成预训练模型，可以对图像多标签分类；

步骤2：通过Scrapy爬虫框架爬取互联网中的图片；

步骤3：将爬取的图片放入到生成的预训练模型中，预训练模型对图片进行识别并输出对应的标签；

步骤4：将标签的信息通过表征式学习，将所有标签映射到低维的向量空间；

步骤5：通过向量空间对预训练模型输出的标签进行评估，对结果进行正向修正；

步骤5.1：设置图像识别结果分类的判定阈值，根据判定阈值提取图像候选标记；

步骤5.2：每一个图像候选标记将提取嵌入后的向量空间前n个临界点；

步骤5.3：每一个临界点将作为新的候选标签，候选标签将与剩下的图像候选标记计算距离，距离小于判定阈值将其记为正例，距离的倒数将作为分数，距离大于判定阈值将其记为负例，距离的倒数的相反数作为分数；

步骤5.4：通过将候选标签与每一个剩下的图像候选标记的分数求和得到总分，总分超过0.7,则将其加入图像候选标记，实现标签的增加；

步骤5.5：每一个图像候选标记计算相互距离，按照步骤5.3的方式累计分数，若总分低于0.3,则将其从图像候选标记中以0.5的概率删除；

步骤6：根据得到正向修正后的数据更新预训练模型和向量空间。

2.根据权利要求1所述的，一种基于图像内容的标签自动化定义方法，其特征在于，所述步骤2包括：

步骤2.1：Scrapy爬虫引擎从调度器中取出一个链接用于接下来的抓取；

步骤2.2：Scrapy爬虫引擎把链接封装成一个请求传给下载器；

步骤2.3：下载器根据请求将图像内容下载下来，并将其封装成应答包：

步骤2.4：解析应答包，生成图片交给实体管道进行进一步的处理；

步骤2.5：解析出新的链接，存储等待下一次抓取命令。

3.根据权利要求1所述的，一种基于图像内容的标签自动化定义方法，其特征在于，所述步骤4中，将每一个标签嵌入到固定维度的向量空间，采用Word2vec技术， CBOW模式。

4.根据权利要求1所述的，一种基于图像内容的标签自动化定义方法，其特征在于，所述步骤6包括：

步骤6.1：对预训练模型进行微调，使模型开始学习图像标注的能力，首先将ResNet50模型卷积层冻结，仅允许模型后面全连接层可以进行学习，将正向修正后的数据和图片加载进模型进行微调训练；

步骤6.2：将正向修正后的数据插入向量空间，以此将更新向量空间中部分值，从而适应新的标注模式。