[发明专利]一种图像数据的噪声识别方法

权利要求书

1.一种图像数据的噪声识别方法，其特征在于，包括如下步骤：

S1、在基于神经网络的噪声学习中，使用高斯混合分布模型，将待检测样本的损失值与最大非目标概率作为训练动态来联合建模；其中，所述最大非目标概率是指，样本经过所述神经网络后输出的各分类鉴别概率中，除目标类概率以外最大的概率；

S2、使用训练好的神经网络模型计算待检测样本的损失值与最大非目标概率，用计算出的损失值和最大非目标概率拟合所述高斯混合分布模型，并输出待检测样本属于干净样本和噪声样本的概率；根据所述概率将待检测样本划分为干净样本或噪声样本。

2.如权利要求1所述的噪声识别方法，其特征在于，对于C分类任务中的模型f_θ，其中θ是模型f_θ的参数，由此模型对样本x生成的softmax概率分布p(x)＝softmax(f_θ(x))，用p_target(x)来表示属于标签类别的softmax概率，并用p_k(x)来表示p(x)中除了p_target(x)以外第k大的项，其中k≥1，最大非目标概率为p₁(x)。

3.如权利要求2所述的噪声识别方法，其特征在于，对样本x计算交叉熵损失l_ce：

l_ce＝-logp_target。

4.如权利要求1至3任一项所述的噪声识别方法，其特征在于，最大非目标概率与损失值的结合包括：为数据集中每一个样本赋予一个估计的概率对(p_target(x)，p₁(x))，将问题转化为2D特征平面上的一个无监督聚类问题。

5.如权利要求4所述的噪声识别方法，其特征在于，使用自适应的非线性的鉴别方式来分离干净与噪声样本。

6.如权利要求5所述的噪声识别方法，其特征在于，将待检测样本的损失值与最大非目标概率用二维球型高斯混合分布模型统一建模。

7.如权利要求6所述的噪声识别方法，其特征在于，使用一个二成分的球型的二维高斯混合分布模型来建模概率；其中，在所述高斯混合分布模型中，样本x属于由K个成分组成的混合模型中成分c的后验概率为：

其中，λ_k是每一个独立概率密度函数p(x|k)的凸组合混合系数，

其中，对二维高斯混合分布模型的参数做适当的约束以令其每一个的成分的在所有的维度上都有统一的协方差；

样本来源于干净聚类的概率为干净概率w_clean，干净概率w_clean指示样本x是干净样本的置信程度；根据干净概率w_clean判断样本是干净的还是噪声。

8.如权利要求7所述的噪声识别方法，其特征在于，w_clean＞0.5的样本认为是干净的，否则认为是噪声。

9.如权利要求1至8任一项所述的噪声识别方法，其特征在于，在结束噪声检测后，保留干净样本的标签，去除噪声样本的标签，并基于半监督的方式训练神经网络，直至下一次噪声检测开始。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储的计算机程序由处理器执行时，实现如权利要求1至9任一项所述的噪声识别方法。