[发明专利]一种改进的半监督图像分类方法、设备及存储介质

权利要求书

1.一种基于Triple-Gan的改进半监督图像分类方法，其特征在于，包括以下步骤：

(1)构建改进后的半监督图像分类模型；改进后的半监督图像分类模型包括生成器、判断器和一组子判断器，一组子判断器包括若干个子判断器；

(2)训练改进后的半监督图像分类模型；

(3)将待分类的图像输入至步骤(2)训练好的改进后的半监督图像分类模型，得到图像分类结果。

2.根据权利要求1所述的一种基于Triple-Gan的改进半监督图像分类方法，其特征在于，一组子判断器包括第一子判断器D_s1和第二子判断器D_s2；生成器G从分布P_z中提取随机的噪声z作为输入，并以生成对抗的方式与所有的判断器同时训练；判断器D₀是改进后的半监督图像分类模型中的判别部分，尽可能将输入图像划分为正确的类别；一组子判断器包括第一子判断器D_s1和第二子判断器D_s2，从不同类型的数据分布中区分出输入图像是真还是假。

3.根据权利要求1所述的一种基于Triple-Gan的改进半监督图像分类方法，其特征在于，步骤(2)中，训练改进后的半监督图像分类模型，包括步骤如下：

步骤1：令子判断器数量K为2个，设置dropout率、batchsize及训练迭代周期t_max；

步骤2：设置最佳学习率确定参数α_g、α_cc和α_d；

步骤3：随机初始化改进后的半监督图像分类模型的网络参数θ_d和θ_g，并设置t＝1；

步骤4：当t≤t_max时，进入步骤5，否则，结束；

步骤5：从S中采样一批标签图像和一批无标签图像过生成器生成一批生成图像S是指一个部分数据被标记的图像数据集；S包括几个标记图像的子集，以及大量未标记的图像数据的子集，P_d代表了图像x_l或x_u的真实分布，y_l是x_l服从标签分布的标签，P_c是所有类的总数，和是两个子集的大小；

步骤6：用判断器预测和中图像的标签，并用和分别表示和具有标签c的图像的子集；

步骤7：通过提升其随机梯度来更新θ_d，如式(I)所示：

步骤8：通过降低随机梯度来更新θ_g，如式(II)所示：

式(II)中，var(·)是向量的方差函数；h_k(x)是k^th在子判断器D_sk上图像x的映射表示。