[发明专利]基于直推式半监督深度学习的图像分类方法有效
| 申请号： | 201810713131.2 | 申请日： | 2018-06-29 |
| 公开（公告）号： | CN109034205B | 公开（公告）日： | 2021-02-02 |
| 发明（设计）人： | 张玥;龚怡宏;石伟伟;程德;陶小语 | 申请（专利权）人： | 西安交通大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 西安通大专利代理有限责任公司 61200 | 代理人： | 徐文权 |
| 地址： | 710049 陕*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明一种基于直推式半监督深度学习的图像分类方法，包括：准备半监督图像数据集，将训练数据划分为训练数据集和验证数据集；训练数据集中其中一部分数据为有标签的数据，另一部分为无标签的数据，验证数据集中为有标签的数据；在有标签的训练数据集上，训练通用的深度神经网络图像分类模型，当训练的模型在验证数据集上达到预期的精度，保存网络模型参数；搭建基于Min‑Max准则的直推式半监督深度卷积神经网络模型，同时使用训练数据集中有标签的数据和无标签的数据循环训练模型，当循环次数达到最大循环次数，保存网络模型参数；使用训练好的模型计算测试图像的标签或测试数据集的识别精度。本发明提出的TSSDL算法，具有很好的可移植性。 | ||
| 搜索关键词： | 基于 直推式半 监督 深度 学习 图像 分类 方法 | ||
【主权项】：
1.基于直推式半监督深度学习的图像分类方法，其特征在于，包括以下步骤：1)准备半监督图像数据集，将训练数据划分为训练数据集和验证数据集；训练数据集中其中一部分数据为有标签的数据，另一部分为无标签的数据，验证数据集中为有标签的数据；2)在有标签的训练数据集上，训练通用的深度神经网络图像分类模型，当训练的模型在验证数据集上达到预期的精度，保存网络模型参数；3)搭建基于Min‑Max准则的直推式半监督深度卷积神经网络模型，同时使用训练数据集中有标签的数据和无标签的数据循环训练模型，当循环次数达到最大循环次数，保存网络模型参数；4)使用训练好的模型计算测试图像的标签或测试数据集的识别精度。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安交通大学，未经西安交通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810713131.2/，转载请声明来源钻瓜专利网。
