CN119478570A 一种基于样本选择和标签分布学习的带噪声图像分类方法 （电子科技大学(深圳)高等研究院）

道新澜社区观光路1301-78号银星智一种基于样本选择和标签分布学习的带噪本发明公开了一种基于样本选择和标签分轮次的损失值都大于第n个阶段的损失值，则将标记为干净样本。本发明能更好地区分容易样2建立所述图像分类网络全局的记忆化队列，将第一个训练轮次到当前训练轮次分为n若所述当前训练轮次大于所述热身训练轮次t，且小于所述最大若所述弱增强图像、强增强图像在所述当前训练轮次的损失值都大于第n个阶段的损若所述弱增强图像、强增强图像在所述当前训练轮次的损失值不是都大于第n个阶段2.根据权利要求1所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，若所述弱增强图像、强增强图像在所述当前训练轮次的损失值都小于第n阶段的损失若所述弱增强图像、强增强图像其中之一在所述当前训练轮次的损失值小于第n阶段3.根据权利要求1所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，采用所述容易样本、困难样本的总损失值，对所述图像分类网络进行4.根据权利要求3所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，;5.根据权利要求4所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，;;3;n容易样本的总数；Ln为所述困难样本的损失函数；Nh为困难样本的总数；xiw为第i个轮次的所述弱增强图像；p(x)为第i个轮次所述弱增强图像的预测结果；xis为第i个轮次的所述强增强图像；p(xr3)为第i个轮次所述强增强图像的预测结果；q为超参数；为所述弱增强图像在第i个轮次的损失值；L1(y,p(xs))为所述强增强图6.根据权利要求3所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，;7.根据权利要求6所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，8.根据权利要求1所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，9.根据权利要求1所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，10.根据权利要求1所述的一种基于样本选择和标签分布学习的带噪声图像分类方法，4[0006]本发明的目的在于提供一种基于样本选择和标签分布学习的带噪声图像分类方5;;n的所述强增强图像；p(xr3)为第i个轮次所述强增强图像的预测结果；q为超参数；为所述弱增强图像在第i个轮次的损失值；L1(y,p(xs))为所述强增强图;6图1是本发明实施例一种基于样本选择和标签分布学习的带噪声图像分类方法的7描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。[0024]下面，结合图1来详细介绍本实施例提供的基于样本选择和标签分布学习的带噪下解决标签噪声问题，是研究和开发在存在标签噪声的情况下进行图像分类的理想数据。[0025]作为可选择的实施方式，在步骤S1中，采用尺寸缩放、随机水平翻转、中心截取和ImageNet图像标准化的方式对训练样本图像进行弱数据增强，得到弱增强图8强、ImageNet图像标准化的方式对训练样本图像进行强数据增强，得到强增强图像。进。弱数据增强是训练样本图像进行较小程;9;,,[0038]若弱增强图像、强增强图像在当前训练轮次的损失值不是都大于第n个阶段的损[0040]若弱增强图像、强增强图像其中之一在当前训练轮次的损失值小于第n阶段的损;;