[发明专利]一种基于预训练标注数据不可知的图像分类自动标注方法

说明书

本发明公开了一种基于预训练标注数据不可知的图像分类自动标注方法，包括如下步骤：S1，获取待标注图像，收集预训练图像分类模型；S2，将预训练图像分类模型拆分成特征提取模型与标签预测模型，并初始化，固定标签预测模型参数，不参与后续迁移训练；S3，约束特征提取模型，使自动标注模型的输出具体类别确定，整体分布离散；S4，对特征提取模型输出特征进行聚类；S5，筛选出大小超过阈值的聚类簇，所对应的类别组成为待标注图像标签空间；S6，给所有待标注图像打上伪标签；S7，重新聚类并分配伪标签，对特征提取模型进行有监督训练；S8，迭代S3至S7；S9，使用迁移后的自动标注模型对待标注图像进行推理，得到标注结果。

技术领域

本发明涉及深度学习和计算机视觉领域，尤其是涉及一种基于预训练标注数据不可知的图像分类自动标注方法。

背景技术

随着深度学习和计算机视觉研究的飞速发展，其有关应用已经影响了我们生活的方方面面。作为计算机视觉领域的一个典型任务---图像分类，其方法已被广泛应用在人脸识别、自动驾驶和场景识别等任务中。但训练一个好的图像分类模型依赖于大量的标注数据，利用人工标注图像往往会耗费大量的人力和时间成本。因此，如何进行高效的图像标注受到了越来越多的关注，自动标注可以有效地缓解上述问题。

现有的自动标注方法往往需要将待标注数据与预训练数据混合进行半监督训练。但是这样的方法存在两个问题：1、预训练数据与待标注数据可能存在较大分布差异，模型泛化性能难以保证；2、预训练数据集占用空间很大，如图像分类中的ImageNet数据集大小有140G。存储和传输均不方便，训练时间过长也降低了自动标注的效率。与之相对的，在ImageNet数据集上训练好的ResNet50模型大小仅有90M。因此，在预训练标注数据不可知的情况下，充分利用已训练好的模型参数可以极大提高自动标注效率。

发明内容

为解决现有技术的不足，通过自动化标注的手段，实现降低人工标注成本，提高图像分类任务标注的效率，提升自动标注现实应用价值的目的，本发明采用如下的技术方案：

一种基于预训练标注数据不可知的图像分类自动标注方法，包括如下步骤：

S1，获取待标注图像，离线收集预先训练的图像分类任务相对应的图像分类模型；

S2，将预训练图像分类模型拆分成特征提取模型与标签预测模型，并用预训练图像分类模型初始化拆分迁移后的自动标注模型，进一步固定标签预测模型参数，不参与后续迁移训练；

S3，使用信息最大化损失约束自动标注模型的特征提取模型，使自动标注模型的输出具体类别确定，整体分布离散；

S4，通过加权聚类方法，对自动标注模型的特征提取模型输出特征进行聚类；

S5，根据所获得聚类簇大小，使用大津法自适应的获取聚类簇大小的阈值，筛选出大小超过阈值的聚类簇，所对应的类别组成为待标注图像标签空间排除预训练模型中无关类别的影响；

S6，计算所有待标注图像与每个共有类别的距离，并据此给所有待标注图像打上伪标签；

S7，使用自监督方法对待标注图像重新聚类，根据重新聚类后的聚类中心分配伪标签，并对特征提取模型进行有监督训练；

S8，迭代进行S3至S7对图像自动标注模型进行训练；

S9，使用迁移后的自动标注模型对待标注图像进行推理，得到标注结果。

进一步地，所述步骤S1中获取待标注图像X_i(i＝1，2...N)，数量为N；获得预先训练的图像分类模型M，M对应的标签空间C包含K个类别，有k＝1，2...K。

进一步地，所述步骤S2包括如下步骤：