1.一种基于标签概率序列的高鲁棒性深度道路提取方法,其特征在于:包括以下步骤:S1、建立SDL框架:
引入标签概率序列学习DCNN的道路提取任务,其中标签概率序列由前端学习DCNN获得,以提供标签信息来纠正错误标签和稳健地学习DCNN;
S2、利用自适应标签提高噪声数据集的质量:基于步骤S1中的标签概率序列,采用自适应标签校正来提高噪声数据集的质量,同时采用基于标签概率序列不确定性的噪声修正损失函数,以利用改进的数据集稳健地学习DCNN;
S3、利用数据集验证方法:
对噪声道路数据进行实证评估,以验证所提方法的在稳健地学习DCNN模型。
2.根据权利要求1所述的基于标签概率序列的高鲁棒性深度道路提取方法,其特征在于:所述步骤S1的具体步骤如下:标签上的概率序列:首先收集多个用不同迭代训练的前端DCNN,这些模型表示为F:={ft‑T+1,…,ft‑1,ft},其中T是学习的DCNN的数量,fj表示DCNN是用j次迭代来训练的;然后,利用F中的每个模型得到训练样本的预测概率分布;
pij=fj(xi;θ) (1)其中,fj是任何具有软最大层的标准DCNN;最后,安排所有预测的概率分布来构造每个样本的标签概率序列,例如,xi的标签概率序列可以表示为pi={pi,t‑T+1,...,pi,t‑1,pi,t},其中,pi,j表示fj在xi上的概率分布;
为了利用真实的标签信息进行标签校正和稳健的DCNN学习过程,最后学习的DCNN,如ft+1,总是被用来获得预测的概率分布,同时,从标签概率序列中删除最古老的预测概率分布,如ft‑T+1,以降低后续学习过程中的计算成本;例如,pi的下一个标签概率是{{pi,t‑T+2,...,pi,t,pi,t+1}。
3.根据权利要求1所述的基于标签概率序列的高鲁棒性深度道路提取方法,其特征在于:所述步骤S2具体步骤为:
2.1、自适应标签校正:
自适应标签校正包括两个步骤:过滤和修正;过滤步骤将数据集划分为错误数据集和已清理的数据集;修正步骤试图在错误数据集中推断样本的校正标签;
①过滤错误标签:使用标签概率序列的方差来过滤误差标签;
其中 是S的所有标签概率序列的最大方差,r表示总训练样本的比例被识别为错误标签的阈值;只能将方差大于 的标签标识为错误标签;
很明显,r是超参数的,通过大量的实验来设置了它的值;
②纠正错误标签:在修正步骤中,通过探索隐藏在标签概率序列中的真实标签分布,推断出错误数据集中样本的真实标签,利用更多真实的标签信息通过利用包含多个预测概率分布的标签概率序列;
假设xe有错误标签,它的多个弱标签概率序列是pe={pe,t‑T+1,...,pe,t‑1,pe,t}。累积误差是衡量两个概率分布之间的差,使用它来计算pe和可能的真实标签之间的差;差异越小,理想的选择就越有可能是真正的标签;对于两种概率分布,累积误差的详细定义是CE(pe,l)=||pe‑l||2 (3)其中||·||2是2个标准数,l是可能的真实标签;l被设置为{1,……,1}或{0,……,0}与pe具有相同的长度;基于等式的数据确定最好的真实标签,它被定义为具有标签概率序列的最小CE;
这样,使用校正的标签 重新标记xe的错误标签;然后,将所有校正标签及其枫树移动到校正数据集,用于训练DCNN,以避免错误标签的新有效性;
2.2、鲁棒性学习DCNN:
基于净化数据集集中的样本具有高概率的真实标签的假设,直接反向传播这些样本作为模型训练的有用知识;特别是利用预测概率分布和目标标签之间的交叉熵损失来学习清理数据集上的DCNN;网络就可以迭代地利用清理样本;
其中,n是数字或一个小批处理;当样本来自校正的数据集时,情况并不复杂;自适应标签校正对纠正错误标签是有效的;
提出一个噪声校正损失函数来促进在校正数据集上对DCNN的学习,它由两个项组成,并被表述为
其中第一项是模型输出和校正标签之间的交叉熵损失;为了防止模型训练中纠正数据集中错误信息的反向传播,引入标签概率序列的不确定性作为等式的正则化(6). 的U(pi)基于信息熵计算,可以定义为在等式(7)中,最小化标签概率序列的不确定性等于减少不同预测概率分布的混淆。