基于元学习的标签自校正方法

专利主权项内容

1.一种基于元学习的标签自校正方法，其特征在于，包括以下步骤：S1：对于需要进行标签自校正的图像数据集X，记其中每个图像样本为I，对应原始标签为f, n＝1, 2, …, N，N表示图像数据集中图像样本的数量；将其图像数据集X划分为若干批次，采用预设的目标分类模型对该图像数据集进行M轮标签预测，计算每轮标签预测中每个图像样本的损失函数的梯度m＝1, 2, …, M；nn计算每个图像样本在M轮标签预测中的梯度变化值g′：n计算N个图像样本梯度变化值的方差σ：2其中，表示N个样本梯度变化值g′的均值；n然后计算每个图像样本在M轮标签预测中的梯度均值g″：n计算每个图像样本的评分score：nscore＝g″-σnn2预先设置2个阈值s、s，且s＜s，如果图像样本n的评分score＜s，则将其作为噪音样本，如果图像样本n的评分s≤score＜s，则将其作为复杂样本，如果图像样本n的评分score≥s，则将其作为干净样本；从而将图像数据集划分得到干净样本集X、噪音样本集X和复杂样本集X；1212n11n2n2123S2：根据实际需要设置标签校正网络，其输入为干净样本或噪音样本，其输出是对干净样本或噪音样本的预测标签；S3：记迭代次数t＝1；S4：将目标分类模型的学习作为元学习的下层任务，使用复杂样本集X中的图像样本进行训练；将标签校正网络作为元学习的上层任务，使用干净样本集X和噪音样本集X中的图像样本进行训练；先对目标分类模型进行一次训练更新，再对标签校正网络进行一次训练更新；312S5：将每个噪音样本输入更新后的标签校正网络，将得到的标签作为该噪声样本校正后的标签并对其标签进行更新；S6：判断是否t＜t，t表示预设的最大迭代次数，如果是，进入步骤S7，否则进入步骤S10；maxmaxS7：判断是否t％Q＝0，Q表示预设的样本集更新周期，如果是，进入步骤S8，否则直接进入步骤S9；S8：统计每个图像样本在最近Q次训练中损失函数的梯度，采用步骤S1中相同方法计算每个图像样本在最近Q次训练中的评分，将N个图像样本重新划分得到干净样本集X、噪音样本集X和复杂样本集X；123S9：令t＝t+1，返回步骤S4；S10：将当前N个图像样本的标签作为其最终的标签，完成标签自校正。 关注公众号马克数据网