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！

摘要：本发明提供了一种基于均衡选择及对比学习的含噪声标签图像学习方法与系统，涉及人工智能及计算机视觉领域。学习方法包括如下步骤：利用联合损失函数，基于原始数据集样本，对编号为m＝{1,2}的DNN模型进行若干轮次的预训练；在历史序列Sm中按照时间顺序，将含干净标签样本的索引标记为True，其他索引标记为False，将标记为True的样本放入子集将剩余样本移除标签后放入子集基于子集子集对编号为m＝{1,2}的DNN模型进行鲁棒训练；在全部轮次的预训练结束后，在历史序列Sm中最后连续个结果中，挑选包含被标记为True的样本数目最多的那组序列，将该序列中的被标记为True的样本放入基准集合Dc；重新初始化编号为m＝{1,2}的DNN模型，重复上述步骤，直到达到预设的训练总轮次。

主权项：1.一种基于均衡选择及对比学习的含噪声标签图像学习方法，其特征在于，包括如下步骤：S1、利用联合损失函数，基于原始数据集样本，对编号为的DNN模型进行若干轮次的预训练；所述联合损失函数的表达式如下： ；式中，表示输入图像；n表示数据集样本个数；表示输入特征的预测输出值；在历史序列中按照时间顺序，将含干净标签样本的索引标记为True，其他索引标记为False，将标记为True的样本放入子集，将剩余样本移除标签后放入子集；历史序列；式中，为数据集中所有样本在第t个epoch时，基于编号为m的模型的标记结果；子集的表达式如下： ；式中，表示输入图像；表示输入图像的观测标签；表示历史序列；表示第i个样本在第t个epoch的权重值；表示第t-K+1个epoch；表示第i个样本在第e个epoch的权重；表示第i个样本在第j个epoch的权重；表示所有样本在第t-j个epoch时基于第m个网络产生的权重向量；对编号为的DNN模型进行若干轮次的预训练，具体包括：计算初始噪声数据集中所有样本在DNN模型下的JSD损失： ；式中，表示编号m=1的DNN模型基于图像的输出值；表示编号m=2的DNN模型基于图像的输出值；KL*表示Kullback-Leibler函数，如下： ；式中，m和n表示输入参数；S2、基于所述子集、子集，对编号为的DNN模型进行鲁棒训练；S3、在全部轮次的预训练结束后，在历史序列中最后连续个结果中，挑选包含被标记为True的样本数目最多的那组序列，将该序列中的被标记为True的样本放入基准集合；S4、重新初始化编号为的DNN模型，重复步骤S1至S3，直到达到预设的训练总轮次。

全文数据：

权利要求：

百度查询： 江苏开放大学(江苏城市职业学院) 基于均衡选择及对比学习的含噪声标签图像学习方法与系统