[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

说明书

本发明涉及一种改进的半监督图像分类方法、设备及存储介质，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、判断器及若干个子判断器(副判断器)；(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，得到分类结果。本发明改进后的半监督图像分类模型表现出较好的测试错误率，可以更好地利用未标记图像和生成图像来提高分类能力。

技术领域

本发明属于深度学习人工智能技术领域，具体涉及一种基于Triple-Gan的改进半监督图像分类方法、设备及存储介质。

背景技术

近些年来，人工智能在各个领域中迅速发展和应用，机器学习和深度学习中的大部分方法都属于统计学，统计学亦是人工智能的理论支撑，从解决统计学问题出发，对大量的数据进行收集处理，然后对目标数据可能出现的结果进行排列组合和估算来实现对真实结果的模拟。根据收集到的数据拥有的标签的多少，可以对分类任务进行三个方向的划分，监督学习的分类、半监督学习的分类和无监督学习的分类。现实生活中要获取有充分标注信息的数据需要很高的代价，首先一般数据的标注信息需要大量的人力进行标注，往往会导致目标任务的时效性与有效性受到影响，其次对于专业数据则需要有经验的专业人士进行统计标注，往往极难获取。实际中我们得到的数据一般是少量有标签的样本数据于大量无标签的样本数据的混合，这就需要半监督学习，半监督学习是一种能够根据少量带有标签值的数据与大量无标签值数据来学习的算法。基于深度学习的半监督分类通过使用无标签值数据进行聚类，再使用有标签数据微调实现半监督分类。

2014年生成对抗网络模型GAN(Generative Adversarial Networks)提出后，迅速发展并成为了人工智能领域中的一种非常重要的模型和工具。生成对抗网络通过一定数量的训练样本训练生成器以使其可以学习到真实样本的分布，从而自己生成逼真的“假”样本使判断器可以学习到真实样本和生成样本的数据特征。GAN中可以含有一个或多个判断器，判断器的作用就是实现目标的二分类即真或假，本质是分类器。训练判断器时只需适当数量的标注图像或信息，外加简单的线性模拟，判断器的全链接输出层可以作为特征提取层，借助生成器的辅助，可以实现GAN对原始图像与生成图像的联合分类，而不是仅仅对原始图像的单独分类，使得GAN完成的分类任务更加具有灵活性与复杂性。

随着人工智能的快速发展，对利用未标记数据帮助学习的需求越来越强烈，半监督学习成了人工智能领域中的研究热点，并逐渐发展分成了生成式方法(generativemethods)、低密度分割法(low-density sparation methods)、基于图的方法(graph-basedmethods)以及基于分歧的方法(disagreement-based methods)。

生成对抗网络是基于GAN的半监督图像分类模型的基本网络模型。其中，噪声z是随机生成的符合某一分布的数据，将其输入到生成器G中，训练生成器G生成与真实数据一致分布的数据，之后将真实数据x和生成器产生的数据G(z)一起输入到判断器D中，训练判断器D来判断输入数据是否为真实数据，最后根据判断器返回的结果来调整训练生成器与判断器直到判断器无法正确分辨出真实数据与生成数据，达到动态平衡，此时模型训练即为成功。

相比于其他典型的生成模型，GAN模型不需要复杂的变换推断，只需简单的梯度下降和反向传播算法，而且模型中的神经网络也相对简单不复杂，不需要可逆函数即可构成生成器网络，极大增加了模型设计的自由度，可以很好地处理高维数据的复杂分布。但是，其也有很多不足之处，如模式崩塌、模型不可控以及训练过程中难以收敛等。

发明内容

为了解决上述问题，本发明提供了一种基于Triple-Gan的改进半监督图像分类方法。

本发明还提供了一种计算机设备及存储介质。

术语解释：

1、Triple-Gan，分类生成统一框架。