一种基于主动学习的图像分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984626A(43)申请公布日2023.04.18(21)申请号202310076854.7(22)申请日2023.01.17(71)申请人西北工业大学地址710072陕西省西安市友谊西路127号(72)发明人李旭王飞月卫保国李立欣(74)专利代理机构西安维赛恩专利代理事务所(普通合伙)61257专利代理师张瑞琪(51)Int.Cl.G06V10/764(2022.01)G06V20/70(2022.01)G06V10/74(2022.01)G06V10/82(2022.01)G06N3/0464(2023.01)G06N3/091(2023.01)权利要求书2页说明书7页附图4页(54)发明名称一种基于主动学习的图像分类方法(57)摘要本发明公开了一种基于主动学习的图像分类方法，该方法主要包括：获取标记图像的原型向量；计算未标记图像和标记图像的原型向量之间的拒绝置信度值；计算未标记图像的不确定性值；计算未标记图像的多样性值；对拒绝置信度值、不确定性值和多样性值进行加权求和，得到未标记图像的评价标量；根据评价标量从未标记图像集中筛选出多个未标记图像进行标记，形成新的标记图像；将新的标记图像添加至初始标记图像集后对分类器进行训练。通过从图像之间的拒绝致信度、不确定性以及图像的多样性三个性能指标构成的一种混合查询策略筛选出信息量比较大的图像进行标记并对模型进行训练，避免了模型对分布外的图像过度预测，并且提高了分类模型的分类精度。CN115984626ACN115984626A权利要求书1/2页1.一种基于主动学习的图像分类方法，其特征在于，所述图像分类方法使用的分类器的训练过程包括：获取标记图像的原型向量；计算未标记图像和所述标记图像的原型向量之间的拒绝置信度值；计算所述未标记图像的不确定性值；计算所述未标记图像的多样性值；对所述拒绝置信度值、不确定性值和多样性值进行加权求和，得到所述未标记图像的评价标量；根据所述评价标量从未标记图像集中筛选出多个未标记图像进行标记，形成新的标记图像；将所述新的标记图像添加至初始标记图像集后对分类器进行训练。2.如权利要求1所述的一种基于主动学习的图像分类方法，其特征在于，获取标记图像的原型向量包括：从未标记图像集中筛选多个图像进行标记，获得所述初始标记图像集；获取所述初始标记图像集中每个标记图像的标记图像特征图；通过分类器对所述标记图像图进行处理，获得所述标记图像的原型向量。3.如权利要求1所述的一种基于主动学习的图像分类方法，其特征在于，计算每个未标记图像和所述标记图像的原型向量之间的拒绝置信度值包括：获取所述未标记图像的未标记图像特征图；根据所述未标记图像特征图计算所述未标记图像和所述标记图像的原型向量之间的拒绝置信度值。4.如权利要求3所述的一种基于主动学习的图像分类方法，其特征在于，所述拒绝置信度值得计算方式包括：其中，为所述标记图像的原型向量得分类概率，C表示图像的类别总数，x表示未标记图像特征图，xi表示第i个未标记图像特征图，表示所述未标记图像与所述标记图像的原型向量之间的拒绝置信度值。5.如权利要求1所述的一种基于主动学习的图像分类方法，其特征在于，所述未标记图像的不确定性值的计算方式包括：F(xi)＝|smargin‑f(xi)|，其中，f(xi)为图卷积网络对所述未标记图像进行处理后的输出值，smargin为预设常数，F(xi)为所述未标记图像的不确定性值。6.如权利要求1所述的一种基于主动学习的图像分类方法，其特征在于，计算所述未标记图像的多样性值包括：从所述未标记图像集中筛选出若干个新未标记图像；计算每个新未标记图像与所述未标记图像之间的互信息量；根据所述互信息量计算所述未标记图像的冗余度；2CN115984626A权利要求书2/2页根据所述冗余度计算所述未标记图像的多样性值。7.如权利要求6所述的一种基于主动学习的图像分类方法，其特征在于，所述冗余度的计算方式包括：其中，表示所有所述新未标记图像与所述未标记图像的相似性值的总和；xi表示第i个未标记图像特征图，y表示所述新未标记图像，Red(xi，y)表示所述未标记图像的冗余度。8.如权利要求6所述的一种基于主动学习的图像分类方法，其特征在于，所述多样性值的计算方式包括：其中，Red(xi，y)为所述未标记图像的最大冗余度，Div(xi)表示所述未标记图像的多样性值，为一个未标记图像集。9.如权利要求1所述的一种基于主动学习的图像分类方法装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑8任一项所述的一种基于主动学习的图像分类方法。3CN115984626A说