[发明专利]基于模型嵌入的鲁棒图像分类方法和装置

权利要求书

1.一种基于模型嵌入的鲁棒图像分类方法，其特征在于，包括：

获取待分类图像；

将所述待分类图像输入至图像分类深度神经网络模型，输出与所述待分类图像对应的图像类别识别结果；

其中，所述图像分类深度神经网络模型是通过下述方法训练获得：

将训练图像样本输入深度神经网络模型，获取所述训练图像样本在所述神经网络模型的最后一个隐藏层中的嵌入特征；

根据所述嵌入特征对所述训练图像样本的噪声标签进行稀释，得到稀释后的标签；

根据所述稀释后的标签进行样本筛选，得到筛选后的图像样本；

将筛选后的图像样本输入所述深度神经网络模型，更新所述深度神经网络模型的模型参数，得到所述图像分类深度神经网络模型。

2.根据权利要求1所述的基于模型嵌入的鲁棒图像分类方法，其特征在于，所述根据所述嵌入特征对所述训练图像样本的噪声标签进行稀释，具体包括：

步骤一：获取每个所述训练图像样本的K近邻；

将所述K近邻的标签信息传递给对应的所述训练图像样本，实现对所述训练图像样本噪声标签的稀释；

步骤二：重复上述步骤一，直到出现收敛现象，确定所述训练图像样本的噪声标签的最终稀释结果。

3.根据权利要求1所述的基于模型嵌入的鲁棒图像分类方法，其特征在于，所述根据所述稀释后的标签进行图像样本筛选，具体包括：

确定所述训练图像样本的噪声标签和所述训练图像样本对应的稀释标签；

将所述噪声标签和所述稀释标签输入第一模型中，确定所述图像样本的权重；

根据所述权重对所述图像样本进行筛选。

4.根据权利要求1所述的基于模型嵌入的鲁棒图像分类方法，其特征在于，根据第二模型更新所述深度神经网络模型的模型参数，其中第二模型为：

其中，B为筛选后的训练图像样本，为关于w的梯度求解算子，w是深度神经网络模型的参数，e_i是第i个训练图像样本的权重，表示训练图像样本对应的噪声标签，f(x_i)是训练图像样本的真实标签，是损失函数。

5.根据权利要求2所述的基于模型嵌入的鲁棒图像分类方法，其特征在于，所述获取每个所述训练图像样本的K近邻的方法为：

确定所述每个训练图像样本与所述训练图像样本集中其他训练图像样本的欧式空间距离值；

对所述欧式空间距离值进行由小到大排序；

筛选出前K个欧式空间距离值，则所述前K个欧式空间距离值对应的训练图像样本为所述每个所述训练图像样本的K近邻。

6.根据权利要求3所述的基于模型嵌入的鲁棒图像分类方法，其特征在于，所述第一模型为：

其中，e_i是第i个训练图像样本的权重,表示训练图像样本对应的噪声标签,是n*C矩阵，表示稀释标签，其中C是分类数目，表示表示使取最大值时j的取值。

7.一种基于模型嵌入的鲁棒图像分类装置，其特征在于，包括：

第一处理模块，用于获取待分类图像；

第二处理模块，用于将所述待分类图像输入至图像分类深度神经网络模型，输出与所述待分类图像对应的图像类别识别结果；

其中，所述图像分类深度神经网络模型是通过下述方法训练获得：

将训练图像样本输入深度神经网络模型，获取所述训练图像样本在所述神经网络模型的最后一个隐藏层中的嵌入特征；

根据所述嵌入特征对所述训练图像样本的噪声标签进行稀释，得到稀释后的标签；

根据所述稀释后的标签进行样本筛选，得到筛选后的图像样本；

将筛选后的图像样本输入所述深度神经网络模型，更新所述深度神经网络模型的模型参数，得到所述图像分类深度神经网络模型。