[发明专利]基于反标签学习的半监督少样本图像分类学习方法及系统

权利要求书

1.一种基于反标签学习的半监督少样本图像分类学习方法，其特征在于，包括以下步骤：

步骤1，构造元任务，使用预训练的神经网络作为特征提取器提取图像数据，提取元任务中支持集、查询集以及无标签数据集对应的特征，并在支持集上训练一个分类器，用于后续图像分类任务；

步骤2，反标签学习模块以第一正确率给无标签图像数据打上反标签，用分类器在反标签上进行学习更新，通过不断迭代直到无法选出反标签；

步骤3，正标签学习模块得到类别均衡且满足第二正确率的正标签，并用分类器进行学习更新；

步骤4，用训练好的分类器在查询集上预测得到最后图像分类的类别结果。

2.根据权利要求1所述的基于反标签学习的半监督少样本图像分类学习方法，其特征在于，步骤1中，利用预训练的卷积神经网络模型提取元任务中支持集、查询集以及无标签图像数据集的特征，接着在支持集的特征上训练一个分类器，具体如下：

通过卷积神经网络提取元任务中对应图像数据集合的特征：

x^{set∈{S,Q，U}}＝F(I；θ_r) (1)

其中I为输入数据，F(·；θ_r)为预训练的卷积神经网络模型，θ_r为该模型的参数；x^set为set集合提取出来的特征，set取S、Q或U，分别代表支持集、查询集以及无标签数据集；

初始化分类器f(·；θ_c)，其中θ_c为该分类器参数；用分类器将x^S映射到对应的概率空间：

p^s＝f(x^S；θ_c) (2)

使用交叉熵损失进行训练，其中交叉熵损失表示如下：

3.根据权利要求2所述的基于反标签学习的半监督少样本学习方法，其特征在于，构建反标签学习模块，该模块以迭代的方式，通过对无标签数据的处理挑选出反标签并用于分类器的学习，直到无法挑选出符合条件的数据则迭代结束；

首先，使用分类器f(·；θ_c)，将无标签数据映射到类别的概率空间：

P^U＝f(x^U；θ_c) (4)

其中x^U为公式(1)中得到的无标签数据特征，p^U为无标签数据经过分类器映射后得到的类别后验概率值，上标U代表无标签数据；

进行反标签学习模块的第一轮迭代，挑选反标签方法如下：

其中k代表p^U中概率最小的对应的位置，即对应概率最小的类别，为对应类别的概率值，δ作为挑选反标签的阈值，为当前输入数据的反标签，即当概率最小类别的概率值小于该阈值时，反标签取1，此时反标签类别为k，当不满足条件时该样本不参与本轮的迭代；

经过第一轮迭代，得到无标签数据中被标记上反标签数据的集合其中i表示挑选出来的反标签数据的下标，这里N_j为第j次迭代中按照公式(5)挑选出数据的数量，其中j代表迭代的次数；和分别代表挑选出的第i个数据的特征向量以及对应的反标签；

反标签学习模块中，设计迭代挑选反标签的策略，对于一个输入数据，已经标记过的反标签类别，在之后的迭代过程中将不再考虑该类别；定义一个列表记录每个数据在每次迭代中挑选的反标签：

其中为本次迭代中满足条件的样本标记的反标签，有些样本无法满足条件，因此将一些列表中设置为空；M为无标签数据集U的数据量，类别数为C，即

将交叉熵损失函数进行修改，使其能够用来在上训练分类器f(·；θ_c)，形式如下：

至此第一轮迭代结束，接着循环前述步骤，直到在迭代中无法挑选出满足条件的反标签数据，即迭代停止。