1.一种基于伪标签质量动态权衡系数的半监督图像分类方法,其特征在于,所述半监督图像分类方法包括以下步骤,步骤1:将获取的图像分为训练集与验证集,并将训练集图像分为已标注图像与未标注图像;
步骤2:构建半监督图像分类模型;
步骤3:对于已标注图像,利用步骤2的半监督图像分类模型计算输入图像的预测与其对应真实标签的监督损失 ;
步骤4:对于未标注的图像,先将图像进行弱增强和强增强得到弱增强的图像和强增强的图像;
步骤5:获取未标注的图像的原始图像,与步骤3中的弱增强的图像和强增强的图像经过特征提取器后输出的特征向量;
步骤6:将步骤5原始图像的特征向量视为锚点;
步骤7:将从步骤4的弱增强的图像扰动中获得的特征视为正样本,将从步骤4的强增强的图像扰动中获得的特征视为负样本;
步骤8:通过减小步骤6的锚点与步骤7的正样本之间的距离,增大正样本与负样本之间的距离提高半监督图像分类模型的泛化能力;
采用对比损失或三重损失度量学习方法来构建损失函数 ;
然后将两种增强的图像都在backbone中获得对应的图像预测;使用两种增强的预测分别计算基于固定阈值的一致性损失 和基于局部动态阈值的一致性损失 ,最终获得无标签的总体损失 ,然后计算自适应公平损失 ,鼓励模型对每个类做出不同的预测,从而产生有意义的动态阈值,在标记数据少的情况下;最后,总的损失函数由 、和 共同组成;
所述损失函数 是,
其中, 是原始图像经过特征编码器得到的特征向量, 是弱增强样本得到的特征向量, 是强增强样本得到的特征向量,是超参数,用来控制三者在度量空间中的相对距离;
动态自调节阈值所产生的一致性损失 为:
其中, 为批大小, 为交叉熵函数, 和 分别表示 和的缩写,即强弱增强图像经过模型得到的概率结果, 是由 转换而来的“one‑hot”标签, 是未标记vxx与标记数据批大小的比率, 是置信度函数,为全局动态阈值;
所述自适应公平损失 具体是,在mini‑batch上优化了 和 的交叉熵作为 ;
,
,
其中, 是一个batch大小,是batch中未标记的第b张图片,是一个batch中未标记图片预测的平均期望,是一个batch中伪标签的直方图分布, 是直方图分布函数,表示 为模型对强增强图像的预测值, 为 转换而来的“独热”标签,对于 ,也使用EMA方式更新:
),
其中,为EMA权重系数, 是EMA方式更新后的 , 是迭代次数为t‑1时刻的 , 是模型输出第b张图片预测可能性的“独热”标签,第t次迭代时的自适应公平性 为
,
其中, , 鼓励每个小批的输出概率期望接近模型的边际类分布,经过直方图分布的归一化;它有助于模型产生多样化的预测; 为交叉熵损失;
所以,算法的总体损失是:
+ + ,
其中 , , 是权重系数;
整个模型的无标签数据集损失 为:
其中, 是超参数,是设定的固定阈值, 是伪标签质量与数量衡量的权重系数, 是其他时刻情况。
2.根据权利要求1所述一种基于伪标签质量动态权衡系数的半监督图像分类方法,其特征在于,全局动态阈值具体是,使用EMA来计算动态阈值的变化,并通过动量衰减因子λ来控制其变化速度;在每次迭代中,只需要一次所有未标记数据的置信度,并利用EMA更新全局动态阈值;全局动态阈值 为,
其中,c是数据集的类别个数 ,为EMA权重系数, 是未标记数据与标记数据批大小的比率, 是前一个迭代次数为 时刻的全局动态阈值, 是一个batch大小, 是batch中未标记的第b张图片, 是 ,表示模型输出未标记的第b张图片预测的可能性, 是当迭代次数 的时刻,是迭代次数。
3.根据权利要求1所述一种基于伪标签质量动态权衡系数的半监督图像分类方法,其特征在于,局部动态阈值具体是,对于数据集中的每个类别c,通过EMA计算估测全局 ,然后用 衡量综合衡量该样本的学习价值,通过将全局动态阈值 乘以 ,在全局动态阈值的基础上提高或降低得到特定类c的阈值;
为了使所有类初始具有相同的竞争力,设定每个类的初始动态阈值,最终的自适应阈值 为其中,为全局动态阈值 为t时刻对类为c的样本预测的期望的最大范式正则,计算方式如下:其中, =[ ]是包含所有 的列表, 是模型对每个类别c的预测的期望值。
4.根据权利要求3所述一种基于伪标签质量动态权衡系数的半监督图像分类方法,其特征在于,动态权重具体是,过高的阈值导致伪标签利用率低,对动态阈值,提出伪标签质量动态权衡系数trade‑off ,迭代初期平衡高准确性的固定阈值所产生的一致性损失与动态阈值所产生的一致性损失 ;利用全局自适应阈值来衡量模型的训练过程伪标签的质量。
5.一种基于伪标签质量动态权衡系数的半监督图像分类系统,其特征在于,所述半监督图像分类系统利用如权利要求1‑4任一所述基于伪标签质量动态权衡系数的半监督图像分类方法,所述半监督图像分类系统包括图像获取模块、半监督图像分类模块和优化模块;
所述图像获取模块:将获取的图像分为训练集与验证集,并将训练集图像分为已标注图像与未标注图像;
所述半监督图像分类模块,用于构建半监督图像分类模型;
所述优化模块:对于已标注图像,利用半监督图像分类模型计算输入图像的预测与其对应真实标签的监督损失 ;
对于未标注的图像,先将图像进行弱增强和强增强得到弱增强的图像和强增强的图像;
获取未标注的图像的原始图像,再对弱增强的图像和强增强的图像经过特征提取器后输出的特征向量;
将原始图像的特征向量视为锚点;
将从弱增强的图像扰动中获得的特征视为正样本,将从强增强的图像扰动中获得的特征视为负样本;
通过减小锚点与正样本之间的距离,增大正样本与负样本之间的距离提高半监督图像分类模型的泛化能力。
6.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1‑4任一所述的方法步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1‑4任一所述的方法步骤。