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！

摘要：本发明涉及半监督表情识别技术领域，公开了一种基于交叉融合与置信评估的情绪识别智能合约构建方法，包括获取基于区块链存储的面部图像，划分为有标签与无标签样本集；将所有面部图像分别输入初始图像分类模型，获取预测标签与标签置信度得分；基于每个有标签样本的交叉熵损失，得标签集合损失；将无标签样本划分为正确或错误样本；基于每个正确样本的交叉熵损失，获取集合无监督损失；基于每个错误样本的对比学习损失，获取集合对比损失；基于前述三种损失，构建模型总损失函数，训练初始图像分类模型，获取训练好的图像分类模型，输入待识别面部图像，获取多个置信度得分，以其中得分最高的所表示的情绪类型，作为待识别面部图像的预测标签。

主权项：1.一种基于交叉融合与置信评估的情绪识别智能合约构建方法，其特征在于，包括：获取基于区块链存储的多个面部图像，并根据有无真实标签划分为有标签样本或无标签样本，构建有标签样本集与无标签样本集；将所有面部图像分别输入初始图像分类模型中，获取对应的预测标签与标签置信度得分；对于有标签样本，基于其标签置信度得分与真实标签，计算获取每个有标签样本的交叉熵损失；对有标签样本集中所有的有标签样本的交叉熵损失求和，获取有标签样本集的标签集合损失；对于无标签样本，分别进行两次弱增强，获取对应的第一弱增强样本与第二弱增强样本；基于第一弱增强样本与第二弱增强样本的标签置信度得分，计算该无标签样本的平均概率；将平均概率不小于预设阈值的所有无标签样本，划分至正确样本集合，其余无标签样本划分至错误样本集合，包括：将无标签样本集中每个无标签样本进行两次弱增强，获取每个无标签样本对应的第一弱增强样本与第二弱增强样本；与分别表示第一弱增强操作与第二弱增强操作，表示无标签样本集中无标签样本总个数；基于无标签样本对应的第一弱增强样本与第二弱增强样本的标签置信度得分，计算该无标签样本的平均概率，表示为：；若该无标签样本的平均概率不小于预设阈值，则将该无标签样本划分至正确样本集合，表示正确样本集合中正确样本总个数；若该无标签样本的平均概率小于预设阈值，则将该无标签样本划分至错误样本集合；所述预设阈值，表示为：；其中，表示第轮训练中第类情绪类别的阈值，表示情绪类别总数量，；表示训练轮次，当时，预设阈值的起始值为；为预设超参数，表示训练的批量大小，表示第个无标签样本属于第类情绪类别的标签置信度得分；计算正确样本集合中每个正确样本的平均概率，以及强增强后对应的强增强正确样本的标签置信度得分；基于每个正确样本的平均概率与强增强正确样本的标签置信度得分，计算每个正确样本的交叉熵损失，并求和，获取正确样本集合的集合无监督损失，包括：对正确样本进行强增强，获取强增强正确样本，计算强增强正确样本的标签置信度得分；基于该正确样本的平均概率与强增强正确样本的标签置信度得分，计算该正确样本的交叉熵损失；对所有正确样本的交叉熵损失求和，获取正确样本集合的集合无监督损失，表示为：；其中，表示正确样本集合中正确样本总个数；表示交叉熵损失；对于错误样本集合中每个错误样本，基于第一弱增强样本与第二弱增强样本的相似性，计算对应错误样本的对比学习损失；将所有错误样本的对比学习损失求和，获取错误样本集合的集合对比损失，包括：获取第一弱增强样本与第二弱增强样本对应的面部表情特征与，计算样本相似性，表示为：；计算错误样本的对比学习损失，表示为：；将所有错误样本的对比学习损失求和，获取错误样本集合的集合对比损失，表示为：；其中，表示范数，表示错误样本集合中错误样本总个数；，；表示预设比值；对有标签样本集的标签集合损失、正确样本集合的集合无监督损失与错误样本集合的集合对比损失进行加权求和，构建模型总损失函数；利用训练集对初始图像分类模型进行训练，更新预设阈值、重新划分正确样本集合与错误样本集合，来计算模型总损失函数，直至模型总损失函数收敛，获取训练好的图像分类模型；实时采集待识别面部图像，输入训练好的图像分类模型中，获取多个输出置信度得分，以其中得分最高的置信度所表示的情绪类型，作为该待识别面部图像的预测标签，完成情绪识别智能合约的构建。

全文数据：

权利要求：

百度查询： 江南大学 吉林大学 苏州大学 基于交叉融合与置信评估的情绪识别智能合约构建方法