[发明专利]一种基于局部与全局信息的图片选择标注方法

权利要求书

1.一种基于局部与全局信息的图片选择标注方法，其特征在于，包括如下内容：

首先建立一个图片对象库；接下来从图片对象库中随机选取部分图片对象，获取这些图片对象的标记，组成初始训练集；设置深度模型的结构、每一轮选取的图片对象数目、迭代总轮数；

接着，基于训练集训练深度学习模型；利用深度模型将图片对象库中的图片对象转换为特征表示，即提取图片对象库中图片的特征；所述特征表示组成的空间被称为特征表示空间；

然后，在特征表示空间中，根据局部信息计算方法估计每个对象的信息量，并按照全局信息预算分配方法分配标注预算；基于所述预算，挑选出信息量高的一批图片对象，收集这些图片对象的标记；更新有标记图片对象集合和未标记图片对象集合；同时，使用有标记图片对象集合重新训练深度模型，利用新模型重新提取图片对象的特征表示；迭代指定轮数；最后一轮的模型即为最终的深度模型；

最后在预测阶段，用户将待测图片对象输入到训练得到的深度模型，深度模型给用户返回预测结果；

记图片对象库中的数据的类别数为C；表示有标记图片对象组成的集合，表示未标记图片对象组成的集合；选择的深度模型记该模型为f(·；Θ)，其中为模型参数，为模型的全连接层参数，θ为模型中的其他参数，用户选择每一轮选取的样本数目B与迭代总轮数T；使用有标记的图片对象训练深度模型，当前轮数t＝1；将未标记图片对象输入到深度模型中，根据深度模型提取图片对象的特征表示r_θ(x)与softmax层输出f(x；Θ)；

用概率平滑与局部信息用于计算对象信息量，其具体步骤为：

步骤1041，选定局部近邻区域的范围∈；

步骤1042，对于未标记图片对象x，其softmax层输出为f(x；Θ)＝(p₁,…,p_C)，模型f(x；Θ)预测的标记为进行如下的概率平滑：

其中g(x；Θ)＝(g(x；Θ)₁,…,g(x；Θ)_C)；

步骤1043，对于未标记图片对象与基于平滑后的概率计算信息量

步骤1044，记图片对象x的近邻区域为其中r_θ(x)为图片对象x的特征表示，图片对象x的信息量为

步骤1045，为所有的未标记图片对象计算并输出；

根据全局信息预算分配方法将未标记数据在特征表示空间内聚成C个聚簇，在不同聚簇中分配预算(B₁,…,B_C)，其中B_j为分配给第j个聚簇的标记预算， 具体步骤为：

步骤1051，由用户选定Gibbs分布的温度参数τ；

步骤1052，使用kmeans++方法把未标记图片对象的特征表示聚成C个聚簇，第j个聚簇中的图片对象组成的集合为

步骤1053，估计模型在不同聚簇上的性能，将其记模型在第j个聚簇上的表现为γ_j

步骤1054，根据γ_j构建预算的Gibbs分布α＝(α₁,…,α_C)

τ为温度参数用于调节Gibbs分布的平滑程度；

步骤1055，根据Gibbs分布α进行B次采样，得到各个聚簇中所分配的预算(B₁,…,B_C)并输出，其中∑_jB_j＝B，B为总的标记预算。