公开(公告)号：CN114758142A

公开(公告)日：2022-07-15

申请号：CN202210362809.3

申请日：2022-04-07

Applicant: 桂林电子科技大学

Inventor： 徐智 ,  杜玉 ,  秦毅平 ,  柯咏东

IPC: G06V10/30 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及深度学习技术领域，尤其涉及一种鲁棒去噪框架的带噪声标签图像分类方法，首先原始数据输入到预训练卷积网络中，进行前向传播，将预测标签与真实标签通过SCE损失函数计算损失，反向传播更新参数，输出预训练模型，然后利用O2U‑Net的训练方式，尽可能的剔除带噪声的标签，最后利用去噪后的数据加载预训练模型，然后利用SCE损失函数计算损失，并将损失进行反向传播更新网络参数，直到训练轮次结束，输出最终分类模型，本发明利用噪声标签清除方案降低噪声率，进而在低噪声率的条件下利用鲁棒损失函数，得到了相比单独使用鲁棒损失函数或噪声标签清理方案更好的分类精度。

公开(公告)号：CN114758141A

公开(公告)日：2022-07-15

申请号：CN202210362514.6

申请日：2022-04-07

Applicant: 桂林电子科技大学

Inventor： 徐智 ,  杜玉 ,  秦毅平 ,  柯咏东

IPC: G06V10/30 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及深度学习技术领域，尤其涉及一种协同学习的带噪声标签图像分类方法，在保留了Co‑teaching方法协同训练的基础上，进行了两点改进，首先抛弃了交叉训练的方式，采取单向的数据交换方式，其次修改了数据接收方网络的损失函数，数据接收方和数据提供方的损失函数不同，结合对称交叉熵损失函数和标签平滑正则化，本发明通过单向数据交换对的小损失训练抑制了噪声标签对图像分类的影响，并通过对称交叉熵损失函数提高鲁棒性以及标签平滑正则化防止过拟合。