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：南通大学

摘要：本发明提供一种基于生成模型与判别分类模型的图像半监督分类方法，包括以下步骤：S1、构建SVM判别分类模型，利用1000个有标签数据对模型进行训练；S2、构建生成模型，利用生成模型推测出未标签数据，得到伪标签数据；S3、将步骤S2获得的伪标签数据和步骤S1中获得的有标签数据重新训练SVM判别分类模型；S4、测试重新训练SVM判别分类模型的准确率，重复步骤S2‑S3，直至模型的准确率达到设定目标。本发明结合生成式神经网络模型与SVM判别分类模型对数字图像进行准确半监督分类，能够准确高效地对手写数字图像进行半监督分类，即利用少量标记数据便可以获得较优的分类准确率。

主权项：1.一种基于生成模型与判别分类模型的图像半监督分类方法，其特征在于，包括以下步骤：S1、构建SVM判别分类模型，利用1000个有标签数据对模型进行训练；S2、构建生成模型，利用生成模型推测出未标签数据，得到伪标签数据；S3、将步骤S2获得的伪标签数据和步骤S1中获得的有标签数据重新训练SVM判别分类模型；S4、测试重新训练SVM判别分类模型的准确率，重复步骤S2-S3，直至模型的准确率达到设定目标；步骤S2包括以下步骤：S2.1、获取未标记样本数据，在未标签样本数据中随机选取若干个最小子集mini_batch作为集合D，mini_batch大小分别设置为取16、32、64、128、256个样本数据；S2.2、将集合D输入含有500个隐藏单元的多层神经网络，得到出未标签数据的伪标签y；S2.3、将集合D输入变分自编码器进行迭代训练，从变分自编码器中间层提取出的图像的50维隐变量特征z；S2.4、利用mini_batch梯度下降法，最大化目标函数得到优化的神经网络参数；S2.5、重复步骤S2.2-S2.4，直至集合D迭代到1000期为止；S2.6、输出未标记样本数据的50维隐变量特征z和伪标签数据y；步骤S2.4的mini_batch梯度下降法中，生成模型的变分下界目标函数为： 其中，为标签数据变分下界项，为未标签数据变分下界项，E·表示期望，pθx∣y,z表示参数为θ的编码网络，pθy为多项式分布，pz表示隐变量z的先验概率分布，qφz|x,y为与pz相似概率分布用神经网络学习得到，分布qφy∣x表示判别分类器得到的未标签数据的伪标签，Hqφy∣x表示参数假设。

全文数据：

权利要求：

百度查询： 南通大学 一种基于生成模型与判别分类模型的图像半监督分类方法