CN115147632B 基于密度峰值聚类算法的图像类别自动标注方法及装置 （哈尔滨工业大学（深圳））

US2022129758A1,2022.0基于密度峰值聚类算法的图像类别自动标本发明公开一种基于密度峰值聚类算法的器模型训练和卷积编码器-聚类联合训练，将待标注的图像数据集输入到模型训练卷积自编码向量输入到卷积编码器-聚类联合训练模块，在特征向量空间使用密度峰值聚类方法选择候选数据集合类别作为真实标签训练卷积编码器模2将无标签图像数据集输入到卷积自编码器模型进行训保留训练好的卷积自编码器模型中的卷积编码器模块，利将低维特征向量集合输入到卷积编码器-聚类联合训练模块进行联合训练，具体过程维特征向量集合中所有特征向量的伽马值进行降序排序，将前m个特征向量点选为候选聚维距离向量；将m维距离向量中每个分量取倒数并归一化得到的m维类别分配置信度向量，取m维类别分配置信度向量中值最大的分量所在列作为特征向量点的真实类别标签，得到练过的卷积编码器模块更新剩余特征向量点的置信度向量矩阵直到前后两轮聚类结果的将训练结束后得到的聚类结果作为最终的聚类结果，用最终的聚2.根据权利要求1所述的基于密度峰值聚类算法的图像类别自动标注方法，其特征在3.根据权利要求1所述的基于密度峰值聚类算法的图像类别自动标注方法，其特征在示Xi经过卷积编码器模块和卷积解码器模块得到的重构图像数据，φ表示卷积编码器模块φ据到特征向量的映射，gθ表示卷积解码器模块实现的从特征向量到重构图像数据的映射，4.根据权利要求1所述的基于密度峰值聚类算法的图像类别自动标注方法，其特征在3其中d(x,xi)表示特征向量点x到其根据拉伊达准则计算得到一个上限θ=μ+3σ,遍历k近邻距离，将大于上限θ的近邻移卷积自编码器模型训练单元，用于将无标签图像数据集输入低维特征向量集合获取单元，用于保留训练好的卷积自编码器模卷积编码器-聚类联合训练模块训练单元，用于将低维特征向量集合输入到卷积编码取m维类别分配置信度向量中值最大的分量所在列作为特征向量点的真实类别标签，得到类别分配置信度向量的聚类结果，将真实类别标签作为有标签训练卷积编码器模块；用训练过的卷积编码器模块更新剩余特征向量点的置信度向量矩阵直到前后两轮聚类结标注图像数据集单元，用于将训练结束后得到的聚类结果作为最终的聚类结果46.根据权利要求5所述的基于密度峰值聚类算法的图像类别自动标注装置，其特征在机可执行程序时，执行权利要求1-4中任一项所述的基于密度峰值聚类算法的图像类别自处理器执行时实现如权利要求1-4中任一项所述的基于密度峰值聚类算法的图像类别自动5[0005]本发明的第一方面，提供了一种基于密度峰值聚类算法的图像类别自动标注方积自编码器模型中的卷积编码器模块将输入的无标签图像数据降维压缩到低维特征向量，6[0009]将低维特征向量集合输入到卷积编码器-聚类联合训练模块进行联合训练，具体密度点距离，并将特征向量点的局部密度和距高密度点距离相乘得到特征向量的伽马值；对低维特征向量集合中所有特征向量的伽马值进行降序排序，将前m个特征向量点选为候到m维距离向量；将m维距离向量中每个分量取倒数并归一化得到的m维类别分配置信度向训练过的卷积编码器模块更新剩余特征向量点的置信度向量矩阵直到前后两轮聚类结果φrec表示整个卷积自编码器模型的重构损失。7[0026]本发明的第二方面，提供了一种基于密度峰值聚类算法的图像类别自动标注装[0030]卷积编码器-聚类联合训练模块训练单元，用于将低维特征向量集合输入到卷积[0031]取m维类别分配置信度向量中值最大的分量所在列作为特征向量点的真实类别标[0032]标注图像数据集单元，用于将训练结束后得到的聚类结[0034]本发明的第三方面，提供了一种基于密度峰值聚类算法的图像类别自动标注装8得到可信度高的聚类结果，最后用特征向量类别对输入的无标签图像数据进行类别标注。[0037]图1是本发明实施例中基于密度峰值聚类算法的图像类别自动标注方法流程示意[0040]图4是本发明实施例中基于密度峰值聚类算法的图像类别自动标注装置结构示意[0049]本实施例用于说明基于密度峰值聚类算法的图像类别自动标注方法中的卷积自9重构损失小于给定阈值即确定卷积自编码器模型φ像类别自动标注方法中的卷积编码器-聚类联[0062]具体实施过程中，实施例1使用待标注的无标签图片数据集训练卷积自编码器模2行图像恢复得到重构图像数据，计算输入无标签图像数据与重构图像数据之间的重构损获取无标签图像数据集的低维特征向量集合；卷积编码器-聚类联合训练模块训练单元密度点距离，并将特征向量点的局部密度和距高密度点距离相乘得到特征向量的伽马值；对低维特征向量集合中所有特征向量的伽马值进行降序排序，将前m个特征向量点选为候到m维距离向量；将m维距离向量中每个分量取倒数并归一化得到的m维类别分配置信度向训练过的卷积编码器模块更新剩余特征向量点的置信度向量矩阵直到前后两轮聚类结果[0084]进一步地，卷积自编码器模型训练单元402在将无标签图像数据集输入到卷积自[0085]基于密度峰值聚类算法的图像类别自动标注装置400的具体工作过程参照上述基[0089]本发明实施例也可以被实现为计算机可读存储介质。根据实施例5的计算机可读照以上附图描述的根据本发明实施例1-3的上述基于密度峰值聚类算法的图像类别自动标置及存储介质，选用MNIST数据集和USPS数据集测试提出本发明方法的性能，并选择K-[0095]首先，分别使用MNIST数据集和USPS数据集预训练卷积自编码器网络，然后在1展示了本发明方法与其他方法在MNIST-TEST和USPS数据集上的聚类精可以很好的将相同类别的数据划分到一起，将其与不同类别的数据分隔开。图7展示了[0099]利用实施例1-5以及上述性能分析，本发明方法可以对无标签的图像数据实现自方法主要包括卷积自编码器模型预训练模块和卷积编