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：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。