[发明专利]一种基于深度学习的含噪数据下的多标签图像识别方法

权利要求书

1.一种基于深度学习的含噪数据下的多标签图像识别方法，其特征在于，包括以下步骤：

S1：获取多标签含噪数据集并进行预处理，具体方法为：

根据预设的K个多标签分类类别获取多标签含噪数据集；

将获得的多标签含噪数据集划分为训练集和验证集，所述训练集包括N张图片，每张图片标注有伪标签，将训练集记为X；将训练集再次划分为两个图片数量相等的第一子训练集D¹和第二子训练集D²，其中，，，，表示第i张图片及其对应的伪标签；

确定每个子训练集中图片的长宽数据和伪标签的值，其中，图片的长记为H，图片的宽记为W；完成多标签含噪数据集的预处理；

S2：建立双分支多标签修正神经网络模型，具体为：

所述双分支多标签修正神经网络模型包括并列设置的第一标签修正子模型M¹和第二标签修正子模型M²；所述第一标签修正子模型M¹和第二标签修正子模型M²的结构相同且模型参数不同；

所述第一标签修正子模型M¹或第二标签修正子模型M²包括依次连接的特征提取器、实例对比学习模块、类别原型对比学习模块、分类器和标签修正模块；

S3：将预处理后的多标签含噪数据集输入双分支多标签修正神经网络模型中进行对比学习训练，获得优化后的双分支多标签修正神经网络模型，具体方法为：

S3.1：将第一子训练集D¹中的图片和第二子训练集D²中的图片共同输入双分支多标签修正神经网络模型中，其中，满足，为第一子训练集D¹或第二子训练集D²中的图片数量；

S3.2：分别利用第一标签修正子模型M¹和第二标签修正子模型M²中的特征提取器对输入的图片和图片进行特征提取，分别获得第一特征和第二特征，以及第三特征和第四特征；

S3.3：将第一特征和第二特征共同输入第一标签修正子模型M¹的实例对比学习模块，将第三特征和第四特征共同输入第二标签修正子模型M²的实例对比学习模块，对图片的第一特征和第三特征进行第一次对比学习，对图片的第二特征和第四特征进行第一次对比学习，并设置第一损失函数分别对第一标签修正子模型M¹和第二标签修正子模型M²的实例对比学习模块进行参数更新；

S3.4：将第一特征输入第一标签修正子模型M¹的类别原型对比学习模块，与预设的第一类别原型特征进行第二次对比学习，将第四特征输入第二标签修正子模型M²的类别原型对比学习模块，与预设的第二类别原型特征进行第二次对比学习，并设置第二损失函数分别对第一标签修正子模型M¹和第二标签修正子模型M²的类别原型对比学习模块进行参数更新；

S3.5：将第一特征输入第一标签修正子模型M¹的分类器中，计算输出图片的分类概率；将第四特征输入第二标签修正子模型M²的分类器中，计算输出图片的分类概率；

S3.6：将图片的分类概率输入第一标签修正子模型M¹的标签修正模块，对图片的伪标签进行标签修正，获得图片的修正标签；将图片的分类概率输入第二标签修正子模型M²的标签修正模块，对图片的伪标签进行标签修正，获得图片的修正标签；并设置第三损失函数分别计算第一标签修正子模型M¹的标签修正模块和第二标签修正子模型M²的标签修正模块的交叉熵损失，进行参数更新；

S3.7：根据第一损失函数、第二损失函数和第三损失函数设置总损失函数对双分支多标签修正神经网络模型进行参数更新，获得优化后的双分支多标签修正神经网络模型；

S4：获取待修正的含噪图片，利用优化后的双分支多标签修正神经网络模型对待修正的含噪图片进行修正，获得待修正的含噪图片的修正标签，根据修正标签对待修正的含噪图片进行图像识别。