[发明专利]基于证据深度学习的可信多视角分类方法

说明书

本发明公开了一种基于证据深度学习的可信多视角分类方法，包括如下方法步骤：S1、样本定义，设定数据集有N个样本，每个样本有V个视角；S2、单视角证据，估计单视角数据的分类不确定度；S3、多视角证据融合，利用退化层将全局信息传播到每个视角，从而使得每个视角能够学习到基于全局信息的证据；S4、优化目标，利用梯度下降算法优化模型中的所有参数。本发明的方法不仅提高了预测的准确度，并且使用本发明中设计的退化层挖掘到了深层次、易被忽略的视角之间的互补信息，从而在预测时输出了更符合人类认知的不确定度。

技术领域

本发明涉及深度学习技术领域，尤其涉及基于证据深度学习的可信多视角分类方法。

背景技术

多视角分类是指数据集中的每个样本包含多个不同视角的特征，例如医生在进行癌症诊断时，往往需要综合考虑核磁共振成像、临床化验结果等多个不同视角的特征。利用深度学习实现多视角分类任务能够弥补传统机器学习难以从多视角数据中挖掘深层次信息的缺陷。过去的研究大多致力于如何提高预测精度，而忽视了决策的可靠性。然而在很多高风险应用中，不仅需要模型得到决策的结果，还需要得到决策的置信程度。例如在医疗诊断中，决策的置信程度是至关重要的，置信度未知的决策可能是不可靠的，从而误导医生做出错误的诊断，耽误病人最佳的治疗时机。

近年来，出现了一些方法可以实现在预测的同时输出预测的不确定度，但仍无法有效的挖掘多视角之间的互补信息，从而无法输出合理的不确定度。举例来说明。某医学诊断事件中，依据核磁共振成像，其为视角1可以预测健康、左侧病变、右侧病变三种类别，但往往因图像模糊而预测精度不高；依据临床化验结果，其为视角2能够只能预测健康、病变两种类别而无法区分病变在左还是在右，但准确度较高。根据人类常识，若视角2预测出病变，那么将给予视角1极大的互补信息。然而实际上，以往研究在处理视角2时由于无法区分病变在左边还是右边，即完整类别信息，只能输出高不确定度，从而无法挖掘出这两个视角的深层次互补信息。在医疗诊断中忽略任何一个视角的信息都增加了造成误诊的可能性。

在多视角分类问题中，保证准确度不降低的情况下，如何挖掘视角间的互补信息以及得出符合人类认知的不确定度仍具有极大的挑战。因此，如何提供一种基于证据深度学习的可信多视角分类方法是本领域技术人员亟需解决的问题。

发明内容

本发明的一个目的在于提出基于证据深度学习的可信多视角分类方法，本发明的目的是针对多视角分类问题，提出一种在保证准确度不降低的情况下，能够有效挖掘视角间的互补性信息以及得出合理的不确定度的深度学习方法，以解决上述背景技术中存在的问题。

根据本发明实施例的一种基于证据深度学习的可信多视角分类方法，包括如下方法步骤：

S1、样本定义，设定数据集有N个样本，每个样本有V个视角；

S2、单视角证据，估计单视角数据的分类不确定度；

S3、多视角证据融合，利用退化层将全局信息传播到每个视角，从而使得每个视角能够学习到基于全局信息的证据；

S4、优化目标，利用梯度下降算法优化模型中的所有参数。

优选的，步骤S1中：

第n个样本第v个视角的表征向量：

其中，D_v是其维数；

考虑数据集含有C个类别，将每个类别表示为one-hot向量作为样本的真实标签，第n个样本的真实标签：

y_n∈{0,1}^C；

目标是给定样本，预测其标签，并给出预测的不确定度u_n∈[0,1]。

优选的，步骤S2中：