[发明专利]一种基于主动标注的鲁棒深度图像分类模型训练方法

权利要求书

1.一种基于主动标注的鲁棒深度图像分类模型训练方法，其特征在于，包括以下步骤：

步骤1、收集大量的无标注图像集合和少量已标注训练图像数据集合；

步骤2、对已标注图像集中的每一个图像增添噪声扰动，得到含噪标注图像集；

步骤3、将含噪标注图像集作为训练集，初始化图像分类模型f；

步骤4、对未标注图像集中每张图像进行多次扰动，基于模型f对每张未标注图像及其多个扰动版本的预测结果，计算每张未标注图像的价值评分；

步骤5、对步骤4中得到的评分排序，在标记预算内，根据分值从大到小的顺序向用户查询图像的标注信息，得到相应的用户反馈；

步骤6、 根据步骤5中得到的图像类别的用户反馈结果更新已标注图像集和未标注图像集，并按照步骤2方法得到的含噪标注集以更新预测模型f；

步骤7、返回步骤4或结束并输出预测模型f。

2.根据权利要求1所述的基于主动标注的鲁棒深度图像分类模型训练方法，其特征在于，步骤2得到含噪标注图像集的具体方法为：对于中每一张图像添加从高斯分布随机标注的扰动值，具体表达为：

则含噪声标注图像集，其中为已标注图像数量。

3.根据权利要求1所述的基于主动标注的鲁棒深度图像分类模型训练方法，其特征在于，步骤3初始化图像分类模型f的具体方法为：

步骤3.1：利用预测模型对含噪标注图像集中图像类别进行预测，为预测模型的参数，用表示第幅图像在模型f上的输出，其中代表图像被预测为第个类别的概率，代表图像总类别数；用表示第幅图像的真实标记，形式为one-hot编码；按照公式计算模型在每张含噪图像上的损失值，所述公式为：

步骤3.2：通过最小化模型在含噪标注图像集上损失值来优化模型，具体公式为：

，其中，为损失函数。

4.根据权利要求1所述的基于主动标注的鲁棒深度图像分类模型训练方法，其特征在于，步骤4计算每张未标注图像的价值评分的具体方法为：

步骤4.1 对每一张未标注图像添加次扰动，得到对应的扰动图像集合，其中,,是一个从高斯分布随机标注的扰动值,扰动次数m为超参数；

步骤4.2：按照公式计算模型在上的预测结果与在干净图像上预测结果不一致的概率，所述公式为：

其中，为指示函数，当输入为真时候，输出为1，当输入为假时，输出为0；

步骤4.3：按照公式计算未经用户反馈的图像集合中每张图像对分类模型的价值评分，所述公式为：

。

5.根据权利要求1所述的基于主动标注的鲁棒深度图像分类模型训练方法，其特征在于，步骤6根据用户反馈结果更新已标注图像集和未标注图像集的具体方法为：用户提供所查询图像的类别标记信息，并将图像从无标注数据集合移动到已标注图像数据集合。