[发明专利]基于信息混合的半监督学习方法及半监督学习装置

说明书

本发明实施例公开一种基于信息混合的半监督学习方法及半监督学习装置，涉及深度学习技术领域，包括：基于标记数据集对预设深度学习模型进行训练，获得初始分类模型；基于标记数据集和未标记数据集训练生成自编码网络；基于初始分类模型对未标记数据集进行分析，生成第一标签信息，基于自编码网络对未标记数据集进行分析，生成第二标签信息；基于第一标签信息和第二标签信息生成未标记数据集的混合标签信息；基于未标记数据集、混合标签信息及标记数据集对初始分类模型进行训练，生成的半监督学习模型。通过基于采用多种学习模型生成针对未标记数据集的混合标签的方式进行半监督学习模型的训练，从而有效提高半监督学习模型的训练效果。

技术领域

本发明涉及深度学习技术领域，具体地涉及一种基于信息混合的半监督学习方法及一种基于信息混合的半监督学习装置。

背景技术

随着图像采集设备在人们生活中的应用越来越广泛，针对图像识别技术的需求越来越高，传统的图像识别技术包括基于深度学习的图像识别技术，根据其是否利用标签进行学习，分为有监督学习、半监督学习和无监督学习三种。

传统的监督型学习模型根据样本及对应标签挖掘图像本质和内在规律，以实现对新样本类别的判断，然而该模型需要大量有标签样本的支撑，否则会出现“过拟合”的现象；传统的无监督型学习模型从图像之间的关系入手，通过某种度量准则探究图像之间的内在联系，实现对图像的归类和划分，然而该模型缺乏图像标签的指导，导致训练出来的模型判别性不足、泛化能力较弱。

为了解决上述技术问题，技术人员提出了半监督学习模型，该模型通过少量的标记标签以及大量的未标记标签对模型进行训练以实现更好的学习效果。然而在实际应用过程中，一方面，在将未标记数据作为伪标签进行训练的过程中，存在将错误的伪标签输入训练模型的问题；另一方面，现有的半监督学习模型依然存在一定的一致性损失，因此识别精确性依然有待提高。

发明内容

为了克服现有技术中存在的上述技术问题，本发明实施例提供一种基于信息混合的半监督学习方法及半监督学习装置，通过基于采用多种学习模型生成针对未标记数据集的混合标签的方式进行半监督学习模型的训练，从而有效提高半监督学习模型的训练效果。

为了实现上述目的，本发明实施例提供一种基于信息混合的半监督学习方法，所述方法包括：基于标记数据集对预设深度学习模型进行训练，获得初始分类模型；基于所述标记数据集和未标记数据集训练生成对应的自编码网络；基于所述初始分类模型对所述未标记数据集进行分析，生成第一标签信息，以及基于所述自编码网络对所述未标记数据集进行分析，生成第二标签信息；基于所述第一标签信息和所述第二标签信息生成所述未标记数据集的混合标签信息；基于所述未标记数据集、所述混合标签信息以及所述标记数据集对所述初始分类模型进行训练，生成对应的半监督学习模型。

优选地，所述自编码网络包括编码器和解码器，所述基于所述自编码网络对所述未标记数据集进行分析，生成第二标签信息，包括：基于所述编码器对所述标记数据集进行处理，获得所述标记数据集中每张图像的第一低维特征信息，所述第一低维特征信息与不同类别相对应；基于预设聚类算法确定不同类别的中心点；基于所述编码器对所述未标记数据集进行处理，获得所述未标记数据集中每张图像的第二低维特征信息；计算确定所述第二低维特征信息与不同中心点之间的距离；基于所述距离确定所述未标记数据集中每张图像属于不同类别的第二概率信息；基于所述第二概率信息生成所述第二标签信息。