[发明专利]聚焦于陌生样本的不平衡学习

权利要求书

1.聚焦于陌生样本的不平衡学习方法，用于基于深度神经网络的语义分割模型的不平衡学习和推理，其特征在于，该方法包括：

将图像样本的深度神经网络logit输出值作为语义分割模型对于图像样本的熟悉程度的指标值，认为具有较低logit输出值的图像样本为语义分割模型的陌生图像样本；

具体来说，在语义分割模型的训练过程中，其损失函数为基于图像样本logit值的成本敏感损失函数；

在语义分割模型的推理过程中，先在验证集上基于logit的偏移性获得最佳分类器中的偏移参数，再根据该偏移参数在测试集上推理；

成本敏感损失函数分为实例级函数和类别级函数，聚焦于陌生图像样本学习的成本敏感损失函数分为实例级方法和类别级方法；

所述实例级方法将传统的交叉熵损失函数改进为实例级的聚焦于陌生图像样本的成本敏感损失函数(Instance-levelFocalstrangerloss,IFSL)；

所述类别级方法将传统的基于类频率成本的平衡交叉熵损失函数(CrossEntropyBasedonclassFrequency,BCE_F)改进为类别级的聚焦于陌生图像样本的成本敏感损失函数(Class-levelFocalstrangerloss,CFSL)；

所述函数IFSL的计算公式为：

其中，x_i为第i个图像样本输入；

θ为语义分割模型参数；

p_i为第i个图像样本在语义分割模型上的概率输出；

p_it为第i个图像样本的真实类的概率输出；

y_i为第i个图像样本的标签；

为第i个图像样本在语义分割模型上的logit输出线性变换到[0,255]区域内的值；

μ_t为基于logit的成本敏感损失函数；

其中，T∈(0,1)，表示陌生图像样本的定义范围，μ∈(1,2)，表示陌生图像样本的聚焦程度；

所述CFSL的计算公式为；

其中，x_i为第i个图像样本输入；

θ为语义分割模型参数；

y_i为第i个图像样本的标签；

为第i个图像样本在语义分割模型上的logit输出线性变换到[0,255]区域内的值；

μ_t为基于logit的成本敏感损失函数；

p_i为第i个图像样本在语义分割模型上的概率输出；

p_it为第i个图像样本的真实类的概率输出；

其中，T∈(0,1)，表示陌生图像样本的定义范围，μ∈(1,2)，表示陌生图像样本的聚焦程度；

所述推理的步骤包括：

1)通过公式(4)获得语义分割模型中分类器的最优偏移参数；

其中，H(·)为语义分割模型在验证集上的性能指标；

p＝{p₀,p₁}为预测概率；

其中，f_c为图像样本在c类上的logit值；

y＝{y₀,y₁}为标签值；

b＝{b₀,b₁}为偏移函数；

公式(4)中为最优的δ，即使得语义分割模型性能在验证集上达到最优的δ；

2)在语义分割模型的分类器中通过公式(7)推理得到预测类；

其中，C_pre为预测类；

p_c为类别c上的概率，其计算公式如(5)所示；

δ通过步骤1)求得，为偏移值。