[发明专利]一种离散标签下基于深度相对学习的雾天能见度估计方法

权利要求书

1.一种离散标签下基于深度相对学习的雾天能见度估计方法，其特征在于，通过利用图像的顺序信息和相对关系来估计能见度，即VISOR-NET，具体操作如下：

步骤1：首先，将所有的数据集，按照比例分为训练集和测试集，在所有的数据集上，随机选取30％的图像作为测试集，其余部分作为训练集；

步骤2：将训练集图像输入到该方法的特征提取和回归模型中，其中，特征提取和回归模型前半部分的雾卷积神经网络可以视为一个特征提取器，图像通过这里就可以得到雾天图像的特征图，再通过特征提取和回归模型后半部分的一个全连接的回归网络，可以视为一个估计函数，通过特征来图得到一个相对的回归值；

步骤3：再将所有训练集图像得到的相对的回归值，提取序数信息来两两配对，再进行比较，此外，比较的结果是由损失函数来体现，排序错误的越多，损失函数越大；排序错误越少，损失函数越小；

步骤4：该方法的第一个损失函数是本发明的目标就是通过不断的学习，迭代更新排序信息，让损失函数L_s越小越好，最好减为0；并且，为了防止配对图像的差值太大，使得值太过分散而不利于预测，这里还在加入一个聚类损失L_c，最终将L＝L_s+λ*L_c作为本方法最终的损失函数；

步骤5：当一次迭代过程结束，最终预测是通过最近邻算法，判断样本的最终的能见度级别；

步骤6：最后就是不断迭代，更新损失，重复上述过程，使得复合损失函数L减的越来越小，通过训练集样本的预测值和真实值的比较，就可以得到训练准确率；

步骤7：最后将测试集用训练好的权重，用同样的方法进行测试，即可得到测试准确率。

2.根据权利要求1所述的一种离散标签下基于深度相对学习的雾天能见度估计方法，其特征在于，所述步骤3中的配比比较，具体步骤如下：

A、假设有M级别，用Y＝{1,…,M}表示；k级别标注的一组实例可以记为：是由雾卷积神经网络提取的图像的能见度特征；

而是由一个全连接的回归网络映射得到的的相对值，进一步的，用其中的表示k级中已标注的实例；

B、根据序数关系，类别间的标注y^k满足不等式：y¹y²y³…y^M，尽管不知道真实的能见度但是这一相对值的序数关系应该与上面的不等式一致，可以公式化为：

公式1：f(φ(x¹))f(φ(x²))f(φ(x³))…f(φ(x^M))；

通过上述公式1，VISOR-NET把这个序数关系被转化为一系列的对，即公式2：

f(φ(x¹))f(φ(x²))，…，f(φ(x¹))f(φ(x^M))；

f(φ(x²))f(φ(x³))，…，f(φ(x²))f(φ(x^M))。

3.根据权利要求2所述的一种离散标签下基于深度相对学习的雾天能见度估计方法，其特征在于，上述的变换可以保持图像之间的序数信息，可将有序回归转化为相对学习，可以简化代价函数和网络的学习过程，考虑到在一个训练批次X_batch＝{x₁,x₂,…,x_R}与相应的标签批次Y_batch＝{y₁,y₂,…,y_R}，每一次迭代都能够得到配对的图像，由于不知道类内关系，一批中所有序数关系已知的对组成配对训练集：

V＝{(x_i,x_j),x_i∈X_batch,x_j∈Y_batch,y_i≠y_j}；

定义一个序数矩阵G＝{g_ij}来表示V的序数相对关系；

即公式3：