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：西安电子科技大学

摘要：本发明公开了一种基于因果推理的半监督图像分类方法，主要解决现有方法依赖有标签数据、盲目学习导致模型分类性能不佳的问题。其实现方案为：1建立结构化因果模型分析图像分类问题；2获取包含不同数量有标签样本的半监督训练集；3构建深度神经网络模型，并利用半监督训练集中的有标签数据对其进行有监督训练，利用半监督训练集中所有数据根据一致性准则对模型进行训练；4基于CAM生成背景掩膜，再通过其与原图按位相乘得到新样本集；5利用新样本集中的数据依据因果一致性准则训练得到最终分类网络模型。本发明通过减少背景信息对分类结果的影响，能够在有标签样本数量不足的情况下有效提升分类准确率。

主权项：1.一种基于因果推理的半监督图像分类方法，其特征在于，包括如下步骤：1构建由目标信息O、背景信息C和分类结果L三部分组成的图像分类任务，基于因果推理建立用于分析图像分类任务中扰动因子与训练过程中应学习的因果关系之间的结构因果模型，并利用模型分析得出：在图像分类任务中，网络模型应学习的因果关系为目标信息O与分类结果L之间的关系，需要进行因果干预的扰动因子为背景信息C；2获取半监督图像分类样本集：2a确定类别数为K，每类包含张图片，对其进行归一化处理并将归一化后的样本集划分为包含N张图片的训练样本集和包含S-N张图片的测试样本集两部分，其中2≤K≤20，S≥60000，2b将训练样本集划分为l张有标签样本图片的训练集，其中通过调整有标签样本数占总训练样本的比例，多次获取标签样本数不同的半监督训练样本集Ti，i∈{1,2，...，n}，n≥3表示获取的半监督训练样本集总数；3利用两个结构相同但参数独立更新的深度神经网络，构建一个具有特征提取和分类功能的分类网络模型，并设置该网络模型的训练初始参数；4使用n个半监督训练样本集依次分别对构建的分类网络模型进行迭代训练：4a使用半监督训练样本集Ti训练网络模型中的两个深度神经网络，对其中的所有样本计算总的一致性损失同时对其中的有标签样本计算监督损失4b利用训练过程中神经网络提取的特征图和网络模型的预测分类结果，基于类激活映射CAM对所有训练样本生成背景掩膜，并根据背景掩膜与原图得到n个新的半监督训练样本集Ti'；4c使用新的半监督训练样本集Ti'再次训练网络模型中的两个深度神经网络，并对其中的所有样本计算因果一致性损失得到分类网络模型的总损失函数最终得到n个训练好的分类网络模型；5利用测试集对第i个训练好的分类网络模型进行测试，得到网络模型在半监督训练样本集Ti训练得到的图像分类准确度，取i＝1,2，...，n，得到分类网络模型在有标签样本占总训练样本的多种不同比例下对应的图像分类准确度。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于因果推理的半监督图像分类方法