[发明专利]一种数据增广的深度半监督超限学习图像分类方法及系统

权利要求书

1.一种数据增广的深度半监督超限学习图像分类方法，其特征在于，包括进行图像分类识别网络模型的学习和训练的下述步骤：

S1、针对训练图像采用深度卷积网络模型进行特征提取；针对训练图像的部分人工标签数据对深度卷积网络模型进行训练以实现微调优化，并通过微调优化后的深度卷积网络模型为无标签的训练图像预测生成相应的伪标签；

S2、将从训练图像提取得到的高层语义特征与低层浅层结构特征融合得到融合图像特征；

S3、采用随机线性插值技术对训练图像的融合图像特征与标签进行增广；

S4、针对增广后的融合图像特征与标签进行随机分批次，按顺序输入到单隐层前馈神经网络中并进行网络输出层的权重更新，重复上述步骤直至完成单隐层前馈神经网络的训练；将所述深度卷积网络模型中的全连接层移除，并将其与完成训练的单隐层前馈神经网络相连，形成可用于实现相应图像目标端到端分类识别的图像分类识别网络模型；所述进行网络输出层的权重更新的函数表达式为：

上式中，K_k+1和K_k分别为权重矩阵，β^k+1和β^k分别为迭代的求解参数，为输入第k+1批次的增广数据及标签时所用单隐层前馈神经网络的隐层输出矩阵，为标签矩阵，且有初始值：

其中，为输入最初始批次的增广数据及标签时所用单隐层前馈神经网络的隐层输出矩阵，c为权重系数，I为单位矩阵。

2.根据权利要求1所述的数据增广的深度半监督超限学习图像分类方法，其特征在于，步骤S1中的深度卷积网络模型为完成预训练的13-CNN深度卷积网络模型。

3.根据权利要求2所述的数据增广的深度半监督超限学习图像分类方法，其特征在于，所述13-CNN深度卷积网络模型的训练损失函数如下所示：

上式中，l_cos表示训练损失函数，λ₀,λ₁和λ₂为权重系数，R₀为一致正则化项，R₁为交叉熵正则化项，y_i为样本标签，为模型给未标记数据自估计的标签，x_i为第i个样本，n为样本数量，p(y_i|x_i)为模型的预测输出，l为有标记样本个数，其中：

其中，C为样本类别数目，p_c为平均类别边缘概率，为模型预测的类别边缘概率，p(y|x)为模型输出的样本条件概率，H为熵。