[发明专利]基于协同半监督卷积神经网络的数字图片分类方法与系统

权利要求书

1.一种基于协同半监督卷积神经网络的数字图片分类方法，其特征在于，包括如下步骤：

(1)将原始的数字图片数据集进行部分标记，分有标记数据和无标记数据，然后选取一部分作为训练数据集，另一部分作为测试数据集，并对数字图片数据集进行预处理，包括数据增强和归一化处理；

(2)构建包括第一学生网络模型s1、第二学生网络模型s2和教师网络模型t的半监督图片分类框架，三个模型具有相同的卷积神经网络结构，三个模型所对应的网络参数分别记为θ_t和θ_s1、θ_s2；

(3)使用训练数据集计算网络在传播过程中的损失：

(3-1)对于有标记数据，把数据导入到第一学生网络模型s1、第二学生网络模型s2中进行训练，计算学生网络模型对于图像数据的预测输出和其真实标签之间的平方欧氏误差；

(3-2)对于无标记数据，将教师网络模型对于无标记数据预测标签作为其标签，计算第一学生网络模型s1、第二学生网络模型2对无标记数据在不同噪声作用下的KL散度损失；其中教师网络模型的参数θ_t由两个学生网络模型的参数θ_s1、θ_s2及各自对标记数据的分类损失确定；

(4)使用有标记的数据的欧氏误差、无标记数据的混合KL散度损失和数据一致性损失的总和来通过反向传播算法优化学生网络模型的权重参数；

(5)使用两个学生网络模型的参数值来更新教师网络模型，使用教师模型对数字图片进行分类，获得分类结果。

2.根据权利要求1所述的基于协同半监督卷积神经网络的数字图片分类方法，其特征在于，步骤(1)中对原始数字图片的训练数据集和测试数据集进行预处理，包括数据增强和归一化处理，对训练数据集中图片进行翻转、旋转一定的角度、随机白化操作扩充训练数据集。

3.根据权利要求1所述的基于协同半监督卷积神经网络的数字图片分类方法，其特征在于，步骤(3-1)中有标记数据的处理方法采用的是计算学生网络模型对于图像数据的预测输出和其真实标签之间的平方欧氏误差，描述如下：

其中分别代表两个学生网络模型对标记数据的分类损失，f(x_i；θ_s1,ξ_s1,i)代表标记数据x_i在噪声ξ_s1，i的作用下经过第一学生网络模型参数θ_s1之后的预测向量，f(x_i；θ_s2，ξ_s2，i)代表标记数据x_i在噪声ξ_s2，i的作用下经过第二学生网络模型参数θ_s2之后的预测向量，y_i则是数据x_i的真实标签，取p等于2，l₂等于1时就是平方欧氏误差。