[发明专利]一种带噪声标签的长尾分布图像分类方法

权利要求书

1.一种带噪声标签的长尾分布图像分类方法，其特征在于包括如下步骤：

S1，根据数据噪声特征，对样本图像及其噪声标签，在样本间隔的基础上，引入松弛变量，形成噪声样本的样本松弛间隔；

所述样本间隔为，类别间隔为，其中表示第个样本的标签为类别，表示所有属于类别的样本的序号的集合；

所述样本松弛间隔为：

其中，表示样本图像及其正确的标签，表示预测函数，用于预测样本图像属于哪一类别，为样本空间，N为样本总数，为个类别的标签集合，表示实数域，表示与不同的噪声标签，及其对应的x，通过预测函数得到的值中，最大的值，，表示最优间隔；

根据样本间隔，分段计算样本依赖的松弛损失；

S2，根据数据长尾特征，分阶段调整的数据增强策略，对样本图像分别做弱数据增强和强数据增强，得到相应的弱增强数据和强增强数据，将训练分为预热阶段与正式阶段，在预热阶段，直接计算弱增强数据和强增强数据的松弛损失；在正式训练阶段，根据预热阶段的松弛损失大小，筛选松弛出一组样本图像作为纯净数据，筛除剩余噪声数据，并计算松弛损失。

2.根据权利要求1所述的一种带噪声标签的长尾分布图像分类方法，其特征在于所述S1中的松弛损失为：

。

3.根据权利要求1所述的一种带噪声标签的长尾分布图像分类方法，其特征在于所述S2中的预热阶段，直接使用弱增强数据和强增强数据计算松弛损失，以噪声率和作为权重，计算整体损失：

其中，。

4.根据权利要求1所述的一种带噪声标签的长尾分布图像分类方法，其特征在于所述S2中的正式训练阶段，包括如下步骤：

S21，根据预热阶段的松弛损失大小，筛选出、作为弱增强数据和强增强数据中松弛损失最小的前部分样本图像；

S22，根据筛选后的弱增强数据的标签，从强增强数据中采样得到，根据筛选后的强增强数据的标签，从弱增强数据中采样得到，将剩下的噪声数据筛除；

S23，将得到的、作为正确样本图像，以噪声率和作为权重，计算整体损失：

其中，。

5.根据权利要求4所述的一种带噪声标签的长尾分布图像分类方法，其特征在于所述S21中，所述、的筛选如下：

。

6.根据权利要求1所述的一种带噪声标签的长尾分布图像分类方法，其特征在于所述S1中，设定最优间隔、，对于训练数据点，样本间隔大于最优间隔，将它推向类别边界，使数据边界更加平缓；对于样本间隔在区间内的数据点，的方向相反，使得该数据点有一定概率翻入类别边界的另一侧；、表示对于类别和的最优间隔，反比于类别对应的样本数量和的次方。

7.根据权利要求1所述的一种带噪声标签的长尾分布图像分类方法，其特征在于所述S1中的松弛变量，将均匀分布乘以，从中抽取松弛变量，即，表示噪声率，即样本标签错误的概率。

8.根据权利要求1所述的一种带噪声标签的长尾分布图像分类方法，其特征在于总样本数为的训练数据中，每个类别的训练样本数量为，满足，将样本数最多类别与样本数最少类别之间的比例，作为不平衡因子，即。

9.根据权利要求1所述的一种带噪声标签的长尾分布图像分类方法，其特征在于所述S1中的样本图像及其噪声标签，通过转移矩阵表示噪声标签：

其中，表示样本图像对应的类别，表示第n个样本图像，表示类别被分类为类别j的概率，。

10.根据权利要求1所述的一种带噪声标签的长尾分布图像分类方法，其特征在于所述S1中的样本图像及其噪声标签，采样于噪声数据集合，对应样本图像及其正确的标签，采样于纯净数据集合，其中表示第n个样本图像，表示样本图像对应的类别，为样本数量，均采样自数据潜在分布。