[发明专利]基于图像属性先验的自适应软标签正则化方法

权利要求书

1.基于图像属性先验的自适应软标签正则化方法，其特征在于包括如下步骤：

S1，结合图像属性特征的先验条件概率进行算法构建，对于图像经过神经网络后的特征图计算图像局部聚合特征的统计信息和聚类中心v_m，将通过线性层后进行softmax操作，计算基于图像属性的概率质量函数

在神经网络特征层输出时利用个视觉单词v_m来表达聚类中心，表示基于图像x_n特征描述的统计信息可学习参数表示特征图Φ_ψ(x_n)在d维的第i个特征向量，α是一个常量；

S2，根据先验条件概率进行自适应软标签采样，根据采样出应用于算法训练的软标签，利用Gumbel Max来近似随机采样过程；

S3，根据真值标签样本对采样软标签进行修正，首先判断软标签最大值对应的类别是否与给定的真值标签一致，对于不一致的情况，通过真值标签来强化软标签其次，对于软标签中概率值小于阈值的尾部分布进行置零截断后重新归一化，所述K是图像分类的类别数；

S4，多尺度属性先验正则化，综合图像在模型不同尺度上的特征图属性表达；对于多尺度属性先验，通过两种形式来进行正则化：

S41，渐进增量式正则化，从浅层属性先进行约束训练，待全局分类收敛后再利用下一层的特征图进行正则；

S42，直接式正则化，对所有特征层同时进行属性正则约束。

2.如权利要求1所述的基于图像属性先验的自适应软标签正则化方法，其特征在于所述步骤S2中，Gumbel Max采用Gumbel Softmax重参数化采样得到软标签所述表示概率的形式化表达，所述K是图像分类的类别数，通过重参数化的软标签采样，将原本位于概率单纯形Δ^K-1顶点位置的采样离散硬标签松弛到了内部连续点上，获得图像基于属性的软标签。

3.如权利要求1所述的基于图像属性先验的自适应软标签正则化方法，其特征在于所述步骤S1中，对于给定的样本图像和采样标签利用最大后验概率评估基于类别的概率分布，其中N为训练样本数，每一个样本及其标签对(x_n,y_n)，θ,为训练参数，z为真实标签因变量分布，p(；)是概率分布函数，对最大后验损失分解得到其中是交叉熵损失，是数据依赖的概率先验表达，将基于样例替换成基于属性的表达，即

4.如权利要求1所述的基于图像属性先验的自适应软标签正则化方法，其特征在于所述步骤S3中，利用标签y_n的one-hot形式进行初步修正，

5.如权利要求1所述的基于图像属性先验的自适应软标签正则化方法，其特征在于所述步骤S3中，在训练后期，逐渐舍弃低于阈值的类别概率值，即所述t为1/K。

6.如权利要求1所述的基于图像属性先验的自适应软标签正则化方法，其特征在于所述步骤S4中，将基于属性的软标签正则化方法扩展到多个特征图，定义网络层l₁,l₂,…,l_{n_layer}，在神经网络训练过程中，从l₁层开始进行正则化约束训练，随后增量式层层叠加进行约束。