公开(公告)号：CN118568613B

公开(公告)日：2024-12-27

申请号：CN202410828907.0

申请日：2024-06-25

Applicant: 哈尔滨工业大学(威海)

Inventor： 晁国清 ,  查文睿 ,  王子康 ,  朴学峰 ,  胡鑫 ,  涂志莹 ,  初佃辉

IPC: G06F18/2431 ,  G06F18/25 ,  G06F18/214 ,  G06N3/0895

Abstract: 本发明涉及深度学习技术领域，具体提供一种基于特征融合的半监督学习方法、系统、终端及存储介质，包括：从有标签数据集中随机选择两个初始训练子集。利用两个训练子集的有标签数据分别训练分类器1和分类器2。然后每次迭代过程中，分类器1和分类器2分别对子集1和子集2中经过特征融合的无标签样本以及未经特征融合的无标签样本进行预测，通过比较融合前后的变化大小来度量模型预测的置信度，从而确定一部分无标签样本的伪标签。每个子集的分类器选择出预测置信度最高的若干无标签样本，加入到对方子集的有标签数据集中，使用扩增后的有标签样本重新训练分类器。本发明大大提升了分类器的训练效率和准确度。

公开(公告)号：CN118568613A

公开(公告)日：2024-08-30

申请号：CN202410828907.0

申请日：2024-06-25

Applicant: 哈尔滨工业大学(威海)

Inventor： 晁国清 ,  查文睿 ,  王子康 ,  朴学峰 ,  胡鑫 ,  涂志莹 ,  初佃辉

IPC: G06F18/2431 ,  G06F18/25 ,  G06F18/214 ,  G06N3/0895

Abstract: 本发明涉及深度学习技术领域，具体提供一种基于特征融合的半监督学习方法、系统、终端及存储介质，包括：从有标签数据集中随机选择两个初始训练子集。利用两个训练子集的有标签数据分别训练分类器1和分类器2。然后每次迭代过程中，分类器1和分类器2分别对子集1和子集2中经过特征融合的无标签样本以及未经特征融合的无标签样本进行预测，通过比较融合前后的变化大小来度量模型预测的置信度，从而确定一部分无标签样本的伪标签。每个子集的分类器选择出预测置信度最高的若干无标签样本，加入到对方子集的有标签数据集中，使用扩增后的有标签样本重新训练分类器。本发明大大提升了分类器的训练效率和准确度。