[发明专利]一种多任务舌象自动分析方法

权利要求书

1.一种多任务舌象自动分析方法，其特征在于，包括以下步骤：

采集舌象图片，将所有的图像根据标签的有无分成强标签集和无标签集；

使用所述强标签集训练两种不同架构的多任务深度神经网络；

使用所述无标签集交替优化两种所述不同架构的多任务深度神经网络；

使用所述强标签集训练两种不同架构的多任务深度神经网络，使用无标签集交替优化两种不同架构的多任务深度神经网络，具体包括以下步骤：

将所述强标签集中的舌像样本集随机分成两份，记为标签集S1和标签集S2；设置无标签样本集，记为U；定义两个空集，记为A1和A2，A1用于存放来自深度残差网络的无标签样本集合，A2用于存放来自GoogleNet网络的置信度高的无标签样本集合；定义两个空集，记为B1和B2，B1用于存放无标签样本及其通过深度残差网络产生的置信度，B2用于存放无标签样本及其通过GoogleNet网络产生的置信度；定义两个分类器模型，分别为基于深度残差网络的分类模型记为F1和基于GoogleNet的深度神经网络的分类模型记为F2；定义计数器i；

使用所述无标签集交替优化两种所述不同架构的多任务深度神经网络包括：挑选无标签集中的置信样本优化所述基于深度残差网络的多任务分类模型F1和挑选无标签集中的置信样本优化所述基于GoogleNet深度神经网络的多任务分类模型F2；挑选无标签集中的置信样本优化所述基于深度残差网络的多任务分类模型F1，具体包括：

11).利用标签集S1训练多任务深度神经网络F1得到分类模型F1′；

12).随机从无标签样本集U中挑选大小为n的样本，记为u＝{u₁，u₂，u₃...u_n}；

13).使用分类模型F1′对样本u中的所有样本进行预测，得到预测标签F′₁(u)；

14).令计数器i＝1；

15).使用S1∪(u_i，F′₁(u_i))数据集多任务深度神经网络F1得到F″₁；

16).使用F′₁和F″₁对标签集S1进行预测，根据置信度计算公式(1)计算样本u_i对应的置信度水平Δ_1i：

其中，x_j为有标签数据集S₁中的样本，y_j为有标签数据x_j对应的真实标签；

17).记录u_i的置信度，记为(u_i，Δ_1i)，存放入集合B1中；

18).i＝i+1,判断，若i≤n,返回步骤15)，否则，执行下一步；

19).挑选集合B1中置信度水平最高的样本，记为a，取出样本a和F′₁(a)，放入空集A2中；

挑选无标签集中的置信样本优化基于GoogleNet深度神经网络的多任务分类模型F2，具体包括：

21).利用标签集S2多任务深度神经网络F1得到F2′；

22).随机从无标签样本集U中挑选大小为n的样本，记为u＝{u1,u2,u3…un}；

23).使用分类模型F2′对u中的所有样本进行预测，得到预测标签F′₂(u)；

24).令计数器i＝1；

25).使用S2∪(u_i，F′₂(u_i))数据集多任务深度神经网络F2得到F″₂；

26).使用F′₂和F″₂对标签集S2进行预测，根据置信度计算公式(2)计算样本u_i对应的置信度水平Δ_2i：

其中，x_j为有标签数据集S₂中的样本，y_j为有标签数据x_j对应的真实标签；

27).记录u_i的置信度，记为(u_i，Δ_2i)，存放入集合B2中；

28).i＝i+1,判断，若i≤n,返回步骤25)，否则，执行下一步；

29).挑选集合B2中置信度水平最高的样本，记为b，取出样本b和F′₂(b)，放入A1中；

使用所述无标签集交替优化两种所述不同架构的多任务深度神经网络还包括以下步骤：

31).更新数据S1＝S1∪A2，S2＝S2∪A1；

32).判断S1和S2是否发生变化，不变化，退出，否则，返回随机从无标签样本集U中挑选大小为n的样本，记为u＝{u₁，u₂，u₃...u_n}；

联合强标签样本集重新训练所述基于深度残差网络的多任务分类模型F1，以及所述基于GoogleNet的深度神经网络的分类模型F2；

将舌象图片输入到两个训练好的所述多任务深度神经网络，分析得到的两个输出结果的平均即为最后的舌象多任务分析结果。

2.如权利要求1所述的一种多任务舌象自动分析方法，其特征在于，将舌象输入到两个训练好的所述多任务深度神经网络，分析得到的两个输出结果的平均即为最后的舌象多任务分析结果，具体包括：基于深度残差网络的多任务分类模型F1对所述舌象图片的舌色、舌形、舌神、苔质进行分析和预测，及基于GoogleNet的深度神经网络的多任务分类模型F2对所述舌象图片的舌色、舌形、舌神、苔质进行分析和预测。