申请/专利权人：电子科技大学

申请日：2023-10-11

公开（公告）日：2024-06-07

公开（公告）号：CN117315397B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/764;G06V10/30;G06V10/82;G06N3/088;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明属于图像分类技术领域，具体地说是涉及一种基于类别曲率的含标签噪声数据分类方法。本发明利用一个类别曲率计算模块来计算样本的类别曲率，将最小类别曲率对应类别视为样本的伪标签，然后根据类别曲率在样本重赋权模块对样本赋予新的权重。本发明通过利用样本自带的类别曲率所提供的信息，可解决现有技术需要额外干净样本来识别正确和错误标签样本的问题。通过利用类别曲率修正错误样本标签并对样本进行重赋权，本发明可解决现有技术将错误标签的样本权重降为零导致的可训练样本减少的问题。

主权项：1.一种基于类别曲率的含标签噪声图片分类方法，其特征在于，包括以下步骤：S1、获取含标签噪声图片作为样本，总类别数为c，样本标签为yi，将样本划分为若干个数量为b的mini-batch，然后输入深度神经网络得到分类预测值；S2、基于分类预测值计算每个样本的类别损失和类别曲率，具体为：类别损失Ljxi的计算方式为：Ljxi＝-logqjxi其中，xi为一个输入样本，j为第j个类别，qjxi为预测xi属于第j类的概率；类别曲率Kjxi的计算方式为： 其中，代表Ljxi对xi的梯度，代表F范数的平方，其中sign·代表符号函数，用于将大于0的输入返回1，小于0的输入返回-1，h是对抗矩阵zj的倍数；S3、基于类别曲率与样本噪声标签一致性对样本赋予新的样本权重，具体为先判断样本的c个类别曲率中最小的一个是否与样本的标签一致，如果一致，则定义该样本为干净样本并且样本权重ωi＝1；否则为噪声样本，赋予样本权重从而得到全部b个样本的样本权重；S4、基于新的样本权重计算重加权损失并对深度神经网络进行梯度下降，具体为，计算重加权损失函数： 定义η为学习率，t为第t次迭代，w为深度神经网络的网络参数，用得到的重加权损失对深度神经网络参数计算梯度并按照如下公式进行一次梯度下降： S5、训练至深度神经网络收敛，得到具有标签噪声鲁棒性的分类模型，用于对含标签噪声图片进行分类预测。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于类别曲率的含标签噪声数据分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD