[发明专利]一种基于深度学习的适用于图谱对比场景中等级评定方法

权利要求书

1.一种基于深度学习的适用于图谱对比场景中等级评定方法，其特征在于，该等级评定方法采用One-hot标签软化机制，结合多任务学习的卷积神经网络框架，最终实现高精度的等级评估；

具体步骤如下：

(1)构建等级评估数据集：采集需要进行等级评估的待测图像，对每张待测图像I_k进行等级的评定，标注等级值g_k；将所有的图像数据及其对应的标注等级值随机划分为训练集、验证集和测试集，其比例分别为70％，10％和20％；

(2)one-hot标签软化，所述One-hot标签软化机制为：将原始的等级标签转化为离散概率分布，建模等级标签的不确定性、歧义性及其跨等级相关性；所述one-hot标签软化具体为：将标注的等级值g_k转化为离散概率分布D_k，D_k中的第i个元素由下式计算获得：

其中，i＝[0,1,2,…,λ]，λ是标准规定的最大等级值，σ控制标签的软化程度，τ是归一化系数；

(3)构造基于多任务学习的卷积神经网络，由特征提取网络，分布投影模块，等级值投影模块及多任务损失函数四部分组成；

分布投影模块由全连接层1与soft-max层顺接组成，具体如下：

特征向量f_k经过全连接层1变为s_k，s_k经过soft-max层变为p_k，其中，W₁^T,b₁是全连接层1的参数；

s_k＝W₁^Tf_k+b₁

等级值投影模块直接获得图像的归一化等级值m_k，由全连接层2和sigmoid激活函数来实现，具体如下：

其中W₂^T,b₂指的是全连接层2的参数；

多任务损失函数具体为：使用KL散度损失函数度量D_k与p_k的分布距离L_d，使用L1损失函数分别度量D_k的期望与g_k的距离L_e，等级投影模块中m_k与g_k的距离L_r，具体公式如下：

L＝L_d+L_e+L_r

(4)训练网络：搭建好模型后，使用步骤(1)中的训练集进行训练，每次输入固定数量的图像后，经前向传播获得损失函数值，利用反向传播算法优化模型各个卷积层中参数；重复上述步骤，直至损失函数值不再下降，模型收敛，卷积层中参数值固定；

(5)等级推断：训练完成后，将任意的待测图像输入网络模型中，得到分布投影模块的输出值p_k与等级投影模块的输出值m_k，计算最终的等级值；

计算最终的等级值公式如下：

2.根据权利要求1所述的基于深度学习的适用于图谱对比场景中等级评定方法，其特征在于，所述特征提取网络为ImageNet预训练的VGG16、AlexNet、ResNet、DenseNet或Xception，不使用特征提取网络中全局池化层之后的部分。