[发明专利]图神经网络处理方法、装置、计算机设备及存储介质

说明书

本申请实施例属于人工智能领域，涉及一种图神经网络处理方法、装置、计算机设备及存储介质，方法包括：获取有标签图像和无标签图像；对有标签图像进行混类增强得到第一增广图像；根据有标签图像和第一增广图像训练初始图神经网络得到中继图神经网络；对无标签图像进行混类增强得到第二增广图像；将无标签图像和第二增广图像输入中继图神经网络得到预测结果；根据预测结果的置信度确定无标签图像和第二增广图像的伪标签；再根据有标签图像、第一增广图像、无标签图像和第二增广图像对中继图神经网络进行训练，得到图神经网络。此外，本申请还涉及区块链技术，有标签图像和无标签图像可存储于区块链。本申请提高了训练得到的图神经网络的准确性。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种图神经网络处理方法、装置、计算机设备及存储介质。

背景技术

随着计算机技术的发展，深度学习在计算机视觉领域，例如图像分类、物体检测和图像分割等任务上展现出了强大的性能。在深度学习中，可以使用图神经网络对图结构进行处理。在对图神经网络进行深度学习时，模型的性能通常会随着训练数据的质量、多样性和数量的增加而相应提高。因此，大量带标签的训练数据在图神经网络的学习中发挥着至关重要的作用。

然而，收集足够数量的高质量训练数据往往非常困难，而且成本高昂。虽然可以通过平移、旋转和翻转等简单操作增加训练数据的数量，但这些数据增广技术只能在标签不变的前提下实现数据增广，且将其应用于社交网络、交通图、分子图等具有非欧几里得结构的图数据的增广时，会导致标签错误，为图神经网络的训练引入较大误差。虽然还可以采用半监督学习从一定程度上缓解对有标签数据的需求，但是在少量有标签数据的半监督学习场景中，可能会产生较大的误差，容易出现过拟合现象，导致训练得到的图神经网络准确性较低。

发明内容

本申请实施例的目的在于提出一种图神经网络处理方法、装置、计算机设备及存储介质，以解决训练得到的图神经网络准确性较低的问题。

为了解决上述技术问题，本申请实施例提供一种图神经网络处理方法，采用了如下所述的技术方案：

获取有标签图像以及无标签图像；

对所述有标签图像进行混类增强，得到带有标签的第一增广图像；

根据所述有标签图像和所述第一增广图像对初始图神经网络进行训练，得到中继图神经网络；

根据所述有标签图像和所述第一增广图像对所述无标签图像进行混类增强，得到与所述无标签图像相关联的第二增广图像；

将所述无标签图像和所述第二增广图像输入所述中继图神经网络，分别得到所述无标签图像和所述第二增广图像的预测结果；

根据所述预测结果的置信度，确定所述无标签图像和所述第二增广图像各自的伪标签；

根据所述有标签图像、所述第一增广图像、带有伪标签的所述无标签图像和带有伪标签的所述第二增广图像对所述中继图神经网络进行训练，得到图神经网络。

为了解决上述技术问题，本申请实施例还提供一种图神经网络处理装置，采用了如下所述的技术方案：

图像获取模块，用于获取有标签图像以及无标签图像；

有标签增强模块，用于对所述有标签图像进行混类增强，得到带有标签的第一增广图像；

初始训练模块，用于根据所述有标签图像和所述第一增广图像对初始图神经网络进行训练，得到中继图神经网络；

无标签增广模块，用于根据所述有标签图像和所述第一增广图像对所述无标签图像进行混类增强，得到与所述无标签图像相关联的第二增广图像；

图像输入模块，用于将所述无标签图像和所述第二增广图像输入所述中继图神经网络，分别得到所述无标签图像和所述第二增广图像的预测结果；