CN115049876B 基于判别性原子嵌入半监督网络的图像分类方法及系统 （山东建筑大学）

基于判别性原子嵌入半监督网络的图像分判别性原子嵌入半监督网络的图像分类方法及对输入图像和初始化判别性原子进行对比预测经典的半监督学习网络mean-teacher作为基本2利用预先训练好的半监督网络图像分类模型对输入图像和初始化判别性原子进行对将样本图像数据集和样本初始化判别性原子输入到学生模型进行分将加噪样本图像数据集和样本初始化判别性原子输入到教师模型进行所述总损失的获取过程为：利用学生模型中有标签样本图像数据的预用学生模型中无标签样本图像数据的预测概率和教师模型中无标签加噪后样本图像数据所述样本图像数据集包括有标签样本图像数据集和无标签样本图像数所述加噪样本图像数据集包括有标签加噪样本图像数据集和无标签加噪样本图像数进行特征提取的特征提取模块由四层的卷积层和两层的最大池化层的浅层卷积神经网络3所述关系学习器由两个卷积块和两个最大池化层以及两个全连接数据处理模块，被配置为基于输入图像数据进行预处理，得到每个子类的图像数据集划分为K个子类；获取每个子类的聚簇中心作为每个子类的初始化判别性原将样本图像数据集和样本初始化判别性原子输入到学生模型进行分将加噪样本图像数据集和样本初始化判别性原子输入到教师模型进行所述总损失的获取过程为：利用学生模型中有标签样本图像数据的预用学生模型中无标签样本图像数据的预测概率和教师模型中无标签加噪后样本图像数据行时实现如权利要求1-3中任一项所述的基于判别性原子嵌入半监督网络的图像分类方法46.一种计算机设备，包括存储器、处理器及5[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技以利用PrincipalComponentAnalysis(PCA)、OrientedGradientHistogram(HOG)、理特征提取有益特征信息，分类器模块可以利用BayesianClassifier、RandomForest、6[0014]利用预先训练好的半监督网络图像分类模型对输入图像和初始化判别性原子进本图像数据集和样本初始化判别性原子输入到教师模[0025]所述加噪样本图像数据集包括有标签加噪样本图像数据集和无标签加噪样本图7[0036]利用学生模型中无标签样本图像数据的子类预测概率和教师模型中无标签加噪[0037]利用学生模型中无标签样本图像数据的预测概率和教师模型中无标签加噪后样本图像数据集和样本初始化判别性原子输入到教师模如上述第一个方面所述的基于判别性原子嵌入半监督网络的图8[0060]图1是本发明的实施例所述的基于判别性原子嵌入半监督网络的图像分类方法的[0067]如图1-图2所示，本实施例提供了一种基于判别性原子嵌入半监督网络的图像分[0070]利用预先训练好的半监督网络图像分类模型对输入图像和初始化判别性原子进本图像数据集和样本初始化判别性原子输入到教师模9类树，树形图可以明显地展示其层次结构。常用的距离度量方法包括：Manhattan距离、[0093]有标签图像数据集向量为(其中n表示有标签数据数量)，无标签图像数据集向量为(其中N-n表示无标签数[0094]该特征提取模块是由四层的卷积层和两层的最大池化层的浅层卷积神经网路构成。特征向量由同一个网络模型提取得到，因此属于同一个特征空间。此过程学生子类别的预测概率可以得出类别的预测概率此步骤学生(Student)模型和教师(Teacher)[0108]利用全部Student模块的无标签数据Xu的子类预测概率和全部Teacher模块的无[0112]利用全部Student模块的无标签数据Xu的预测概率和全部Teacher模块的无标签[0122]用户输入待测试图像数据进入分类系统，分类系统内部自动进行特征向量提取、本图像数据集和样本初始化判别性原子输入到教师模理器执行时实现如上述实施例一所述的基于判别性原子嵌入半监督网络的图像分类方法判别性原子嵌入半监督网络的图像分类方法介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0142]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)