(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211106572.9 (22)申请日 2022.09.12 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫20 0号 (72)发明人 魏秀参　徐赫洋　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 陈鹏 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 基于反标签学习的半监督少样本图像分类 学习方法及系统 (57)摘要 本发明公开了一种基于反标签学习的半监 督少样本图像分类学习方法及系统， 方法包括： 构造元任务， 使用预训练的神经网络作为特征提 取器， 提取元任务中对应数据的特征， 并在支持 集上训练一个 分类器用于后续分类任务； 反标签 学习模块 以较高正确率给无标签数据打上反标 签， 分类器在反标签上进行学习更新， 不断迭代 直到无法选出反标签； 在反标签模块迭代结束之 后， 得到类别均衡且正确率较高的正标签， 并用 分类器进行学习更新。 本发明充分且高质量的利 用无标签数据， 可以获得更高的少样本学习图像 分类准确率。 权利要求书3页 说明书6页 附图1页 CN 115439715 A 2022.12.06 CN 115439715 A 1.一种基于反标签学习的半监督少样本图像分类学习方法， 其特征在于， 包括以下步 骤： 步骤1， 构造元任务， 使用预训练的神经网络作为特征提取器提取图像数据， 提取元任 务中支持集、 查询集以及无标签数据集对应的特征， 并在支持集上训练一个分类器， 用于后 续图像分类任务； 步骤2， 反标签学习 模块以第 一正确率给无标签图像数据打上反标签， 用分类器在 反标 签上进行 学习更新， 通过不断迭代直到无法选出反标签； 步骤3， 正标签学习 模块得到类别均衡且满足第 二正确率的正标签， 并用分类器进行学 习更新； 步骤4， 用训练好的分类 器在查询集上 预测得到最后图像分类的类别结果。 2.根据权利要求1所述的基于反标签学习的半监督少样本图像分类学习方法， 其特征 在于， 步骤1中， 利用预训练的卷积神经网络模型提取元任务中支持集、 查询集以及无标签 图像数据集的特 征， 接着在支持集的特 征上训练一个分类 器， 具体如下： 通过卷积神经网络提取 元任务中对应图像数据集 合的特征： xset∈{S,Q， U}＝F(I； θr) (1) 其中I为输入数据， F( ·； θr)为预训练的卷积神经网络模型， θr为该模型的参数； xset为 set集合提取出来的特 征， set取S、 Q或U， 分别代 表支持集、 查询集以及无 标签数据集； 初始化分类器f( ·； θc)， 其中θc为该分类器参数； 用分类器将xS映射到对应的概率空 间： ps＝f(xS； θc) (2) 使用交叉熵损失进行训练， 其中交叉熵损失表示如下： 3.根据权利要求2所述的基于反标签学习的半监督少 样本学习方法， 其特征在于， 构建 反标签学习模块， 该模块以迭代的方式， 通过对无标签数据的处理挑选出反标签并用于分 类器的学习， 直到无法挑选出符合条件的数据则迭代结束； 首先， 使用分类 器f(·； θc)， 将无标签数据映射到类别的概 率空间： PU＝f(xU； θc) (4) 其中xU为公式(1)中得到的无标签数据特征， pU为无标签数据经过分类器映射后得到的 类别后验概 率值， 上标U代表无标签数据； 进行反标签学习模块的第一轮迭代， 挑选反标签方法如下： 其中k代表pU中概率最小的对应的位置， 即对应概率最小的类别， 为对应类别的概率 值， δ作为挑选反标签的阈值， 为当前输入数据的反标签， 即当概率最小类别的概率值小 于该阈值时， 反标签取1， 此时反标签 类别为k， 当不满足条件时该样本不 参与本轮的迭代； 经 过 第 一 轮 迭 代 ，得 到 无 标 签 数 据 中 被 标 记 上 反 标 签 数 据 的 集 合权　利　要　求　书 1/3 页 2 CN 115439715 A 2其中i表示挑选出来的反标签数据的下标， 这里Nj为第j 次迭代中按照公式(5)挑选出数据的数量， 其中j代表迭代的次数； 和 分别代表挑选出 的第i个数据的特 征向量以及对应的反标签； 反标签学习模块中， 设计迭代挑选反标签的策略， 对于一个输入数据， 已经标记过的反 标签类别， 在之后的迭代过程中将不再考虑该类别； 定义一个列表记录每个数据在每次迭 代中挑选的反标签： 其中 为本次迭代中满足条件的样本标记的反标签， 有些样本无法满足条件， 因此将 一些列表中设置为空； M为无 标签数据集U的数据量， 类别数为C， 即 将交叉熵损失函数进行修改， 使其能够用来在 上训练分类 器f(·； θc)， 形式如下： 至此第一轮迭代结束， 接着循环前述步骤， 直到在迭代中无法挑选出满足条件的反标 签数据， 即迭代 停止。 4.根据权利要求3所述的基于反标签学习的半监督少样本图像分类学习方法， 其特征 在于， 步骤2中， 反标签学习模块通过迭代的方式给无标签图像数据打反标签， 迭代结束之 后将排除对于数据极不置信的标签， 即在迭代中被挑选的反标签； 正标签学习模块通过对 Position列表进行判断， 对于一个输入数据而言， 如果其只剩下一个标签没有被打上反标 签， 即将该标签作为这个数据的正标签， 若有多个标签没有被打上反标签， 则舍弃该样本， 不参与之后的过程； 得到带有正标签的数据集合 其中L 为符合条件被挑选出来标记正标签的数据数量； 接下来用分类器f( ·； θc)在 上使用公 式(2)进行训练。 5.根据权利要求3所述的基于反标签学习的半监督少样本图像分类学习方法， 其特征 在于， 步骤4用训练好的分类 器在查询集的特 征上预测得到最后的类别结果， 具体如下： 首先用分类 器f(·； θc)， 将查询集特 征映射到和类别相关的概 率空间： pQ＝f(xQ； θc) (8) 其中xQ为公式(1)得到的查询集的特 征； 接着对输出的概 率pQ进行处理， 得到输入数据的类别为： 其中i表示 查询集中数据的位置， 查询集数据共有E个， 则i∈[0,1,2,. ..,E]。 6.根据权利要求1所述的基于反标签学习的半监督少样本图像分类学习方法， 其特征 在于， 第一 正确率为95％， 第二 正确率为85％。 7.一种基于反标签学习的半监 督少样本图像分类学习 系统， 其特 征在于， 包括： 特征提取模块， 用于构造元任务， 使用预训练的神经网络作为特征提取器提取图像数 据， 提取元任务中支持集、 查询集以及无标签数据集对应的特征， 并在支持集上训练一个分权　利　要　求　书 2/3 页 3 CN 115439715 A 3