[发明专利]基于干净数据集与关键特征检测的噪声识别方法

权利要求书

1.一种视频数据中的噪声识别方法，其特征在于，包括如下步骤：

S1、建立一个干净数据集用以对比噪声数据集的未知数据，并利用帧间信息对干净数据集和噪声数据集的样本特征完成降维，得到降维后的特征集合；

S2、在降维后的特征空间里计算噪声数据集的待定样本与干净数据集的干净样本类中心的余弦相似度；

S3、比较待定样本与干净样本类中心的余弦相似度，并根据余弦相似度计算待定样本为干净样本的概率，并将概率大于预定概率阈值的样本划分为干净样本。

2.如权利要求1所述的噪声识别方法，其特征在于，利用帧间时序信息以检测噪声数据集的噪声样本。

3.如权利要求1或2所述的噪声识别方法，其特征在于，噪声数据集的表征集为其中x_i∈R^d，x_i表示视频中一个片段的表征，M代表样本的数量，干净数据集的表征集C为干净数据集中每一个类别的干净样本个数，K表示类别的数量；分类任务的目标为找到表征x_i属于哪一个类。

4.如权利要求3所述的噪声识别方法，其特征在于，x_i的标签a_i表示为一个独热编码y_i∈{0,1}^K，y_i的第k个元素y^k被赋值为1，其余的元素会被赋值为0；其中，在带共识函数的特征提取器f(·)的后面使用一个带Softmax操作的分类头g(·)，以预测x_i属于第k类的概率：p(k│x_i)＝g(x_i；k)。

5.如权利要求1至4任一项所述的噪声识别方法，其特征在于，对于一个表征x_i，确定此表征x_i的显著特征的集合l_i为向量x_i的前m个帧间方差最大的特征通道；其中，对于干净数据集的表征集D_L中属于类别k的每一个被认为干净的表征计算出对应的显著特征集合类别k的显著特征集合L^k为所有中出现次数最多的m个特征通道。

6.如权利要求5所述的噪声识别方法，其特征在于，在计算完所有类别的显著特征集合后，对于表征集D中所有标注为类别k的样本只保留对应类别中显著特征集合L^k中包含的维度，得到的降维后的表征并计算类中心的当前值

其中，m_k是表征集D中标签为k的表征的个数。

7.如权利要求6所述的噪声识别方法，其特征在于，用动量更新的方法更新类中心的累计值c^k：

其中，m为动量常数，取0.999；

其中，噪声数据集的表征集D中一个标签为k的待检测表征的可信度r_i为:

其中，·表示内积计算；由所述可信度指示表征x_i是类别为k的干净样本的置信程度。

8.如权利要求7所述的噪声识别方法，其特征在于，对于每一个类别，用表征集D中所有标签为该类别表征的可信度拟合一个两成分的贝塔混合模型π(·)，表征x_i属于第a_i类干净聚类的可能性定义为将所有的表征认为是干净的，其余认为是噪声的，为标签为a_i的样本的可信度。

9.如权利要求1至8任一项所述的噪声识别方法，其特征在于，在结束噪声检测后，在干净的样本上训练，直至下一次噪声检测开始。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储的计算机程序由处理器执行时，实现如权利要求1至9任一项所述的噪声识别方法。