CN119478545A 一种基于粒球计算及对比学习的图像标签噪声学习方法 （重庆邮电大学）

一种基于粒球计算及对比学习的图像标签本发明公开了一种基于粒球计算和对比学数据增强；采用对比学习框架SimSiam分别提取经聚类后将粒球样本的特征矩阵及其标签输入以图像分类结果p为指示函数计算对比损失；通2获取图片数据并对其进行预处理，将预处理好的图片数据输入S1：获取图像训练数据集，分别经预处理得到两征ZS1，以所述图像分类结果p作为指示函数计算同一类别样本的预测的概率分布与目标表S6：根据所述对比损失Lctr和交叉熵损失Lce加权得到总损失L,根据该总损失反向2.根据权利要求1所述的基于粒球计算和对比学习的图像标签噪声学习方法，其特征3.根据权利要求1所述的基于粒球计算和对比学习的图像标签噪声学习方法，其特征4.根据权利要求1所述的基于粒球计算和对比学习的图像标签噪声学习方法，其特征35.根据权利要求4所述的基于粒球计算和对比学习的图像标签噪声学习方法，其特征学习器和预测层得到的第一预测特征向量，z表示输入样本经过第二特征学习器得到的第表示计算L2范式。6.根据权利要求5所述的基于粒球计算和对比学习的图像标签噪声学习方法，其特征征学习器和预测层得到的第一预测特征向量，zj表示输入样本xj经过第二特征学习器得到输入样本xi经过第二特征学习器得到的特征向量，stopgrad(zj)表示在计算图中停止对张stopgrad(zi)表示在计算图中停止对张量zi的梯度追踪和计算，1{.}表示指示函数，7.根据权利要求6所述的基于粒球计算和对比学习的图像标签噪声学习方法，其特征8.根据权利要求7所述的基于粒球计算和对比学习的图像标签噪声学习方法，其特征49.根据权利要求1所述的基于粒球计算和对比学习的图像标签噪声学习方法，其特征56征学习器对第二强数据增强样本XS2提取第二特征ZS2；利用第一特征学习器对弱数据增强二特征ZS2，以所述图像分类结果p作为指示函数计算同一类别样本的预测的概率分布与目[0017]本发明提出了一种基于粒球计算及对比学习的图像标签噪声学习方法，参照图1应用阶段(利用训练后的图像标签噪声学习网络进行预测)。在训练阶段，整个训练采用7本集(XS1和XS2)和弱数据增强样本集(XW)；利用第一特征学习器对第一强数据增强样本XS1的)对第二强数据增强样本XS2提取第二特征ZS2；利用第一特征学习器对弱数据增强样本XW述图像分类结果p作为指示函数计算同一类别样本的预测的概率分布与目标表征分布之间的对比损失Lctr;利用交叉熵损失Lce和对比损失Lctr反向传播优化网络参数。Stopgrad[0021]通过人为地在干净数据集中随机更改部分正确标签或使用已有的标签噪声数据8征学习器对第二强数据增强样本XS2提取第二特征ZS2；利用第一特征学习器对弱数据增强[0036]采用对比学习框架SimSiam提取强数据增强版样本的特征表示，得到输出特征和本gbi的标签ygbs9数量m的k_means)计算生成新一批粒球样本，然后再对新一批粒球样本进行判断是否满足层是将样本特征Z映射为粒球样本特征GB，同时粒球样本的构建需要满足以下约束条件：二特征ZS2，以所述图像分类结果p作为指示函数计算同一类别样本的预测的概率分布与目二输出特征ZS2(经过第二特征学习器输出的特征)中同一类别的样本(即正样本[0082]只有当指示函数成立的时候，即样本xi的标签和样本xj的标签相同真实数据集中或多或少会存在标签噪声，因而无法获得每张图片的真实情况，即把作为指示函数会导致不同类别的特征被拉近。n样本能够提供更加有效和可靠的梯度信息，指引网络朝着减小损失loss的方向更新参数。[0097]L=(Lce+BLer[0098]式中，Lce表示交叉熵损失函数，α表示第一权重参数，β表示第二权重参数，图像)并对其进行预处理；将