[发明专利]在标签含噪情况下基于质量嵌入的图像分类方法及系统

摘要

本发明提供一种在标签含噪情况下基于质量嵌入的图像分类方法及系统，包括：网络图片标签收集步骤；标签质量因子嵌入步骤：在有监督的图像分类模型中引入标签质量因子，用于控制带噪标签的预测值生成和吸收来自错误标签的误差回传信息；利用最大化对数似然函数，设计加入标签质量因子之后的优化目标函数；网络模型构建步骤：利用深度神经网络对优化目标函数进行建模；网络参数训练步骤：将训练图片和带噪声的标签输入网络模型，使用变种的随机梯度下降法端到端的联动训练模型，同时更新模型参数；图像分类步骤。本发明将图片真实标签、用户提供标签和图片标签质量三个变量统一建模，形成对含噪标签的监督学习，能得到较为准确的图像分类结果。

主权项

1.一种在标签含噪情况下基于质量嵌入的图像分类方法，其特征在于：包括：/n网络图片标签收集步骤：从网络图片分享平台上获取图片和用户提供的标签信息，按照所需种类进行过滤和整理，以便用于图像分类器的训练；/n标签质量因子嵌入步骤：在有监督的图像分类模型中引入标签质量因子，用于控制带噪标签的预测值生成和吸收来自错误标签的误差回传信息；利用最大化对数似然函数，设计加入标签质量因子之后的优化目标函数；/n网络模型构建步骤：利用深度神经网络对优化目标函数进行建模，得到四个模型，分别为编码模型、采样模型、解码模型和分类模型；/n网络参数训练步骤：将网络图片标签收集步骤得到的训练图片和带噪声的标签输入网络模型构建步骤得到的上述网络模型，使用变种的随机梯度下降法端到端的联动训练上述四个模型，同时更新模型参数，得到训练好的网络模型；/n图像分类步骤：对于要求分类的新图片，输入至训练好的分类模型，得到对图片真实标签的预测，同时产生图像的分类结果；/n所述标签质量因子嵌入步骤中，在现有的有监督的图像分类模型中，加入图片标签质量因子的嵌入，使新的优化目标函数为：/n /n其中x_m和y_m分别是第m张图片的像素集合和相应用户提供的噪声标签，z_m和s_m分别是代表图片真实标签和标签质量的隐藏变量，M代表用于训练的图片总数；/n新的优化目标函数由于加入了标签质量因子，对训练数据集中错误的标签造成的不良影响有吸收作用，同时，该新的优化目标函数的梯度函数难以计算，因此首先转而优化其证据下界，同时利用重参技巧简化训练所需的计算资源，得到最终的优化目标函数公式组合；/n所述网络模型构建步骤，利用深度神经网络对最终的优化目标函数公式组合分别进行建模，得到四个模型：编码模型、采样模型、解码模型和分类模型；其中：/n所述编码模型，采用卷积神经网络，用于从图片内容X生成噪声标签的先验预测并联合噪声标签y对标签质量分布q(S|X,Y)和真实标签分布q(Z|X,Y)进行预测；/n所述采样模型，用于将编码模型生成的标签质量分布q(S|X,Y)和真实标签分布q(Z|X,Y)映射为确切值S和Z；/n所述解码模型，采用神经网络，其输入为采样模型的输出标签质量S和真实标签Z，用于生成对噪声标签的后验预测q(Y|Z,S)；/n所述分类模型，采用卷积神经网络，其利用图片生成对真实标签Z的预测。/n