[发明专利]一种深度分类网络噪声标签建模与纠正方法、系统及存储介质

说明书

本发明提供一种深度分类网络噪声标签建模与纠正方法、系统及存储介质，该深度分类网络噪声标签建模与纠正方法包括以下步骤：步骤一，获取损失函数曲线；步骤二，对损失函数曲线进行聚类拟合，得到单模型训练下标签噪声隶属度函数值，然后返回步骤一；步骤三，多模型噪声标签建模；获取M个模型的隶属度函数值，对M个模型的隶属度函数值进行多模型置信度阀值平均，得到最终最优隶属度函数值；步骤四，噪声标签纠正与分类网络训练；根据多模型标签建模结果，构建多个标签集合，并对所构建标签集合中不同标签样本赋予不同权重，得到对应设计加权损失函数对分类网络进行训练。本发明的有益效果是：提升噪声标签下分类网络的训练效果和分类精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种深度分类网络噪声标签建模与纠正方法、系统及存储介质。

背景技术

深度分类网络已经被广泛应用于自然视觉图像、SAR图像、医学图像等多种图像形式的目标分类任务中，在目标监测、目标识别、图像理解、医学诊断分析等多种场景中有着广泛的应用。由于深度分类网络参数量大、模型拟合能力强的特点，使其能够拟合噪声标签(错误标签)导致深度分类网络训练效果受损。因此，传统分类网络的训练方法明显受到噪声标签的影响；噪声标签情形下的分类网络训练和噪声标签纠正成为实际分类网络场景应用中的研究热点。

虽然目前已有一些对于噪声标签的相关研究，但主要涉及正则化约束、标签平滑、鲁棒损失设计等方面。

发明内容

为了解决现有技术中监督学习分类网络在噪声标签数据集下训练效果严重受损的问题，本发明提供了一种深度分类网络噪声标签建模与纠正方法。

本发明提供了一种深度分类网络噪声标签建模与纠正方法，包括以下步骤：

步骤一，获取损失函数曲线；

步骤二，对步骤一的损失函数曲线进行聚类拟合，得到单模型训练下标签噪声隶属度函数值，然后返回步骤一；循环执行步骤一和步骤二M次后，再执行步骤三；

步骤三，多模型噪声标签建模；获取M个模型的隶属度函数值，对所获取的M个模型的隶属度函数值进行多模型置信度阀值平均，得到最终最优隶属度函数值；

步骤四，噪声标签纠正与分类网络训练；根据步骤三的多模型标签建模结果，构建多个标签集合，并对所构建标签集合中不同标签样本赋予不同权重，得到对应设计加权损失函数对分类网络进行训练。

作为本发明的进一步改进，所述步骤一具体过程如下：

假设目标数据集为S，其中包含图像集X_n和对应含噪声标签的标签集Y_n，利用目标图像数据集S训练深度分类网络模型，损失函数定义为交叉熵损失，训练时超参数设置与监督学习下深度网络训练模型的超参数相同，训练过程中记录每个迭代阶段中图像集X_n中每个图像样本i对应的损失值，得到对应损失函数曲线向量l_i，训练结束后将得到对应损失函数曲线集{l_i}。

作为本发明的进一步改进，所述步骤二具体过程如下：

将步骤一中获取到的损失函数曲线作为特征向量进行标签建模；假设T表示步骤一中损失函数曲线获取阶段中训练迭代次数，则任意损失曲线l_i为T维向量，将标签噪声建模阶段建模为无监督聚类过程，定义标签噪声建模损失函数为计算公式如下：

其中N为损失函数曲线的数量，q为模糊指数，c(k)表示第k类团簇的聚类中心，在噪声标签建模阶段，k有两个取值，此处取值为1、2，并规定k＝1对应团簇中心为无噪声标签，u_i(k)为隶属度函数，表示任意损失函数曲线l_i属于第k类团簇的程度。