[发明专利]一种基于预训练标注数据不可知的图像分类自动标注方法

权利要求书

1.一种基于预训练标注数据不可知的图像分类自动标注方法，其特征在于包括如下步骤：

S1，获取待标注图像，收集预先训练的图像分类任务相对应的图像分类模型；

S2，将预训练图像分类模型拆分成特征提取模型与标签预测模型，并用预训练图像分类模型初始化拆分迁移后的自动标注模型，进一步固定标签预测模型参数，不参与后续迁移训练；

S3，使用信息最大化损失约束特征提取模型，使自动标注模型的输出具体类别确定，整体分布离散；

S4，通过加权聚类方法，对自动标注模型的特征提取模型输出特征进行聚类；

S5，根据所获得聚类簇大小，使用大津法自适应的获取聚类簇大小的阈值，筛选出大小超过阈值的聚类簇，所对应的类别组成为待标注图像标签空间，所述待标注图像标签空间即共有类别标签空间；

S6，计算待标注图像与每个共有类别的距离，并据此给待标注图像打上伪标签；

S7，使用自监督方法对待标注图像重新聚类，根据重新聚类后的聚类中心分配伪标签，并对特征提取模型进行有监督训练；

S8，迭代进行S3至S7对图像自动标注模型进行训练；

S9，使用迁移后的自动标注模型对待标注图像进行推理，得到标注结果。

2.如权利要求1所述的一种基于预训练标注数据不可知的图像分类自动标注方法，其特征在于所述步骤S1中获取待标注图像X_i，i＝1,2…N，数量为N；获得预先训练的图像分类模型M，M对应的标签空间C包含K个类别，有k＝1,2…K。

3.如权利要求2所述的一种基于预训练标注数据不可知的图像分类自动标注方法，其特征在于所述步骤S2包括如下步骤：

S2.1，根据网络层类别，拆分预训练图像分类模型M，其中卷积层为特征提取模型G，全连接层为标签预测模型CLS，拆分迁移后的图像自动标注模型M′，分为特征提取模型G′与标签预测模型CLS′；

S2.2，使用G的参数，对G′的参数进行初始化，并在之后的迁移过程继续训练，使用CLS的参数对CLS′的参数进行初始化，并在之后的迁移过程中固定，不再更新CLS′的参数。

4.如权利要求3所述的一种基于预训练标注数据不可知的图像分类自动标注方法，其特征在于所述步骤S3包括如下步骤：

S3.1，将待标注图像X_i输入特征提取模型G′，得到对应高维特征D为高维特征的维度，对于高维特征f′_i，d，经过标签预测模型CLS′得到分类特征h′_i,k∈R^N×K，经过Softmax运算后得到分类概率

f′_i，d＝G′(X_i)

h′_i，k＝CLS′(f′_i，d)

S3.2，计算信息最大化损失，公式如下：

其中，L_ent表示熵最小化损失，L_div表示标签多样性损失。

5.如权利要求4所述的一种基于预训练标注数据不可知的图像分类自动标注方法，其特征在于所述步骤S4，使用当前的标签预测模型CLS′得到分类概率p′_i，k对高维特征f′_i，d进行加权聚类，获得K个聚类中心，对于每一个类别k策略如下：