公开(公告)号：CN111797935B

公开(公告)日：2023-10-31

申请号：CN202010667741.0

申请日：2020-07-13

Applicant: 扬州大学

Inventor： 徐晓华 ,  仁祥 ,  何萍 ,  方威 ,  姜玉麟 ,  葛方毅

IPC: G06V10/764 ,  G06V10/774 ,  G06V30/19 ,  G06V10/82 ,  G06N3/084 ,  G06N3/0895 ,  G06N3/045

Abstract: 本发明公开了一种基于群体智能的半监督深度网络图片分类方法，包括以下步骤：1）对数字图片的训练数据集和测试数据集进行预处理，包括归一化和中心化处理；2）使用训练数据集计算网络损失，包括；2‑1）对于有标记数据，计算网络的预测值和真实标签值之间的混合KL散度损失；2‑2）对于无标记数据，计算多个网络模型预测值之间的群体一致性损失；3）使用有标记数据的混合KL散度损失和无标记数据的群体一致性损失通过反向传播算法优化深度网络的权重参数；4）应用训练好的深度网络对测试数据集进行分类，本发明可实现图片高效且准确的分类。

公开(公告)号：CN113743474B

公开(公告)日：2023-09-26

申请号：CN202110911462.9

申请日：2021-08-10

Applicant: 扬州大学

Inventor： 徐晓华 ,  李好 ,  何萍 ,  仁祥

IPC: G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/0895 ,  G06V10/82

Abstract: 本发明公开了一种基于协同半监督卷积神经网络的数字图片分类方法与系统，首先将原始的数字图片数据集分为有标记数据和无标记数据，然后来训练模型的网络参数，并通过在学生‑教师模型的基础上添加一个独立的学生模型来参与教师模型的参数更新过程以弱化单个学生和教师的强耦合性，将数据输入到两个学生模型中根据不同的类别输出标签，构造损失函数，然后通过学生网络参数更新计算教师模型的网络参数，增加学生和教师模型的一致性损失，来更新学生模型的权重，并引入评价标准来调整两个学生模型对教师模型参数的贡献比重。本发明可解决数字图像数据进行图片分类时因为数据耦合性高的原因而影响最后准确性的问题，提高数字图像数据分类的准确性。

公开(公告)号：CN113743474A

公开(公告)日：2021-12-03

申请号：CN202110911462.9

申请日：2021-08-10

Applicant: 扬州大学

Inventor： 徐晓华 ,  李好 ,  何萍 ,  仁祥

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于协同半监督卷积神经网络的数字图片分类方法与系统，首先将原始的数字图片数据集分为有标记数据和无标记数据，然后来训练模型的网络参数，并通过在学生‑教师模型的基础上添加一个独立的学生模型来参与教师模型的参数更新过程以弱化单个学生和教师的强耦合性，将数据输入到两个学生模型中根据不同的类别输出标签，构造损失函数，然后通过学生网络参数更新计算教师模型的网络参数，增加学生和教师模型的一致性损失，来更新学生模型的权重，并引入评价标准来调整两个学生模型对教师模型参数的贡献比重。本发明可解决数字图像数据进行图片分类时因为数据耦合性高的原因而影响最后准确性的问题，提高数字图像数据分类的准确性。

公开(公告)号：CN111797935A

公开(公告)日：2020-10-20

申请号：CN202010667741.0

申请日：2020-07-13

Applicant: 扬州大学

Inventor： 徐晓华 ,  仁祥 ,  何萍 ,  方威 ,  姜玉麟 ,  葛方毅

IPC: G06K9/62 ,  G06F16/55 ,  G06N3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于群体智能的半监督深度网络图片分类方法，包括以下步骤：1）对数字图片的训练数据集和测试数据集进行预处理，包括归一化和中心化处理；2）使用训练数据集计算网络损失，包括；2-1）对于有标记数据，计算网络的预测值和真实标签值之间的混合KL散度损失；2-2）对于无标记数据，计算多个网络模型预测值之间的群体一致性损失；3）使用有标记数据的混合KL散度损失和无标记数据的群体一致性损失通过反向传播算法优化深度网络的权重参数；4）应用训练好的深度网络对测试数据集进行分类，本发明可实现图片高效且准确的分类。