买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：同济大学

摘要：本发明涉及一种基于伪标签噪声过滤的小样本半监督学习方法和装置，其中方法在执行过程中，主模型与伪标签过滤模型交替优化，主模型使用半监督学习方法训练，伪标签过滤模型使用噪声标签学习方法训练。主模型与伪标签过滤模型的优化交替执行若干轮次，每一轮次后，部分无标签数据连同其当前伪标签将被划入带标签数据集，直至优化停滞，输出优化后的模型。与现有技术相比，本发明得到的模型具有在图像识别方面准确度更好等优点。

主权项：1.一种基于伪标签噪声过滤的小样本半监督学习方法，其特征在于，应用于计算机视觉领域的图像分类，包括以下步骤：S1、获取初始带标签数据集和初始无标签数据集，其中，从每个类别的训练图像中随机选取部分图像作为带标签数据集，其余隐去标签作为无标签数据集；S2、初始化主神经网络模型和伪标签过滤神经网络模型；S3、将初始带标签数据集和初始无标签数据集输入主神经网络模型，结合半监督学习损失函数优化主神经网络模型，得到优化后的主神经网络模型；S4、将初始无标签数据集输入优化后的主神经网络模型，将预测结果中置信度最高的类别定义为对应无标签数据样本的伪标签，得到伪标签数据集；S5、将初始带标签数据集和伪标签数据集输入伪标签过滤神经网络模型，结合噪声标签学习损失函数，优化伪标签过滤神经网络模型，得到优化后的伪标签过滤神经网络模型；S6、将初始带标签数据集和伪标签数据集输入优化后的伪标签过滤神经网络模型，计算此时噪声标签学习损失函数的平均值，并根据平均值判断训练是否停滞，若停滞则令停滞轮数加1；若未停滞则使停滞轮数归0；S7、判断停滞轮数是否达到最大阈值，若是，则输出优化后的主神经网络模型和优化后的伪标签过滤神经网络模型；若否，则执行步骤S8；S8、根据增长函数确定带标签数据集扩展量，将伪标签数据集中训练损失最小的样本及标签加入初始带标签数据集，并从初始无标签数据集中删除对应样本，重新执行步骤S3；所述半监督学习损失函数表达式如下： 式中，xi,yi为带标签数据集中的数据及标签，Ls为带标签数据集，为主神经网络模型，Us为无标签数据集，λu为无标签损失函数权重；CrossEntropy*为交叉熵损失，RelativeEntropy*为相对熵损失，下标k为类别编号，K为当前任务类别总数，与分别为当前无标签样本xj经弱随机增强与强随机增强后的增广样本；所述噪声标签学习损失函数表达式如下： 式中，U′s为伪标签数据集，为伪标签过滤神经网络模型，xi,yi为带标签数据集中的数据及标签，Ls为带标签数据集，项为反向交叉熵损失，λrce为对应权重，CrossEntropy*为交叉熵损失。

全文数据：

权利要求：

百度查询： 同济大学 一种基于伪标签噪声过滤的小样本半监督学习方法和装置