[发明专利]一种基于半监督自步学习跨任务深度网络的图像分类方法

权利要求书

1.一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于，所述方法包括以下步骤：

S1、从图像整体数据集中随机选取少量的标注样本，保留其标签，剩下的所有样本作为未标注样本，在整个流程中不知道其真实标签，标注样本的权重在训练过程中恒为1，未标注样本的权重初始化为0，初始时只使用标注样本作为训练集；

S2、使用训练集训练跨任务深度网络；

S3、根据训练好的跨任务深度网络，预测所有未标注样本的伪标签，并赋予每个未标注样本相应的权重；

S4、根据自步学习范式，选取高置信度的未标注样本，添加到训练集中；

S5、重复步骤S2-S4，直到跨任务深度网络性能饱和或者达到预设循环次数。

2.根据权利要求1所述的一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于：步骤S1中还需要对训练集的样本做进一步扩充，在图像四周加4个像素的零进行填充，然后再随机截取一个原图像大小的图像。

3.根据权利要求1所述的一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于，步骤S2中的跨任务深度网络由一个包含32个卷积核的卷积层、9个残差块、一个全局平均池化层和一个softmax层依次连接组成，分为分类和聚类两个任务，所述残差块由两个相连的卷积层和一个短路连接组成，分为两种，一种会进行下采样，一种不会进行下采样，会进行下采样的残差块训练流程如下：

1)输入卷积特征图X；

2)将卷积特征图X经过步长为1的卷积层C1，再用修正线性函数作为激活函数，得到特征图X1；

3)将特征图X1经过步长为1的卷积层C2，得到特征图X2；

4)将卷积特征图X和特征图X2相加，再用修正线性函数作为激活函数，得到输出Y；

不会进行下采样的残差块训练流程如下：

1)输入卷积特征图X；

2)将卷积特征图X经过步长为1的卷积层C1，再用修正线性函数作为激活函数，得到特征图X1；

3)将特征图X1经过步长为2的卷积层C2，得到特征图X2；

4)将卷积特征图X经过最大池化，得到特征图X3；

5)将特征图X3和特征图X2相加，再用修正线性函数作为激活函数，得到输出Y。