买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：本发明公开了一种基于对抗学习的去性别偏见的图像识别模型及应用，包括：1准备第三样本集，不包含性别标签的第一样本集，只有性别标签的第二样本集；2构建包含特征提取器和分类器的图像分类网络，以第一样本集来优化网络参数；3构建包括参数确定的特征提取器和对抗学习器的对抗学习网络，以第二样本集来优化对抗学习器的网络参数；4构建包括特征提取器、分类器、参数确定的对抗学习器的训练体系，5以分类器的目标任务损失和对抗学习器的去除性别偏见损失之和作为训练体系的总损失，根据第三样本集，利用该总损失对训练体系进行训练，当训练结束后，提取参数确定的特征提取器和分类器作为图像识别模型。

主权项：1.一种基于对抗学习的去性别偏见的图像识别模型的构建方法，其特征在于，包括以下步骤：1准备包含人类信息的COCO子数据集作为第一样本集，并为第一样本集中的图像添加性别标签，该性别标签与图像形成第二样本集，将第一样本集和性别标签形成第三样本集；2构建并训练图像分类网络，该图像分类网络包括第一特征提取器和由至少2层全连接层组成的第一分类器，训练时，以第一样本集对图像分类网络进行训练，优化图像分类网络的网络参数；3构建并训练对抗学习网络，该对抗学习网络包括经过步骤2训练后参数确定的第一特征提取器和由卷积层和全连接层组成的对抗学习器，训练时，以第二样本集对对抗学习网络进行训练，优化对抗学习器的网络参数；4构建图像识别模型的训练体系，该训练体系包括第二特征提取器、第二分类器以及经步骤3训练参数确定的对抗学习器，第二特征提取器的输出分别输入至对抗学习器和第二分类器，其中，第二特征提取器、第二分类器与步骤2中训练前图像分类网络中的第一特征提取器和第一分类器的结构相同；5以第二分类器的目标任务损失和对抗学习器的去除性别偏见损失之和作为训练体系的总损失，根据第三样本集，利用该总损失对训练体系进行训练，当训练结束后，提取参数确定的第二特征提取器和第二分类器作为图像识别模型；其中，训练体系的总损失Loss为：Loss＝Loss_Y+Loss_Adv1Loss_Y为目标任务损失，计算公式为： Loss_Adv为去除性别偏见损失，计算公式为：Loss_Adv＝-λ∑Ladvhi,Zi3其中，i为样本图像的索引，xi为不含性别标签的样本图像，N为样本图像总数，c1xi为样本图像xi输入至网络参数经训练确定的图像分类网络后，图像分类网络的输出矩阵，c2xi为样本图像xi输入至训练体系中第二征提取器、第二分类器后，第二分类器的输出矩阵，k为输出矩阵c2xi或c1xi的维度，λ是用于调节去除性别偏见损失占比的超参数，Zi是样本图像xi的真实性别标签，hi是样本图像xi输入至训练体系中第二特征提取器后输出的特征向量；Ladvhi,Zi表示hi输入至对抗学习器输出的性别预测值advhi与的真实性别标签Zi的交叉熵。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于对抗学习的去性别偏见的图像识别模型及应用