[发明专利]一种基于元学习嵌入半监督学习图像分类方法与系统

说明书

本公开提供了一种基于元学习嵌入半监督学习图像分类方法与系统，属于图像分类系统技术领域，采用提出的面向重要性区域加噪的样本生成方法，将该类样本引入到训练过程中，使模型学习到更加鲁棒的特征；另一方面，构建一种融合元学习和半监督学习的知识自适应挖掘的半监督学习网络，在半监督学习框架下，引入元学习器来对每个样本的知识进行自适应学习，并将获得的有效知识应用到网络的训练过程中，进一步提升模型的鲁棒性。

技术领域

本公开涉及图像分类系统技术领域，具体涉及一种基于元学习嵌入半监督学习图像分类方法与系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

传统的图像分类方法大致可以分为基于手工设计特征加传统浅层分类模型的方法和基于深度学习的方法，对于传统的基于手工设计特征的方法，由于特征的表述能力有限，导致分类效果难以令人满意，相比较传统的手工设计特征的方法，深度神经网络具有强大的特征学习能力，目前已经成为图像分类的主流方法。

然而，在图像分类任务中，学到的知识的作用是不同的，例如，有些特征对噪声更为鲁棒，这类知识在分类模型的学习

中需要发挥更大的作用，另外，在某些任务中，例如医学图像分析，数据的标记获取成本往往较高，难以获取到足够的标记数据，然而，可以获得大量的低成本未标记噪音数据。半监督学习可以有效获取标记数据和未标记数据，但是现有的半监督学习模型并未考虑到对样本进行个性化的知识学习，限制了模型性能的提升

发明内容

本公开为了解决在图像分类任务中噪音样本限制模型性能提升的问题，提出了一种基于元学习嵌入半监督学习图像分类方法与系统，引入面向重要性区域的加噪方法的样本生成方法，将该样本引入到训练过程中，使得模型学习到更加鲁棒的特征。

根据一些实施例，本公开采用如下技术方案：

一种基于元学习嵌入半监督学习图像分类方法，包括：

采集不同类型的原始图像数据样本，构建数据集并进行预处理；

构建训练样本集，将原始图像数据样本进行重要特征区域加噪，获得重要的特征区域信息；

将加噪后训练样本集中的样本输入到分类网络模型中，输出每个样本的权重；

构建损失函数，更新标记数据并输入分类网络模型中进行迭代，计算交叉熵损失以及均方差损失并计算网络总损失；

更新网络参数，进行迭代达到收件条件，获得最小损失的半监督网络模型，并利用测试集进行测试，输出图像类别。

一种基于元学习嵌入半监督学习图像分类系统，包括：

数据采集处理模块，用于采集不同类型的原始图像数据样本，构建数据集并进行预处理；构建训练样本集，将原始图像数据样本进行重要特征区域加噪，获得重要的特征区域信息；

训练与样本自适应加权模块，用于将加噪后训练样本集中的样本输入到分类网络模型中，输出每个样本的权重；

损失计算模块，用于构建损失函数，更新标记数据并输入分类网络模型中进行迭代，计算交叉熵损失以及均方差损失并计算网络总损失；

分类模块，用于进行迭代达到收件条件，获得最小损失的半监督网络模型，并利用测试集进行测试，输出图像类别。

有益效果

与现有技术相比，本公开的有益效果为：

本公开提出一种基于元学习嵌入半监督学习图像分类方法，可以对每个样本的知识进行自适应学习，能够有效增强网络对鲁棒特征的学习能力。