本發(fā)明涉及圖像分類領域，具體涉及一種面向長尾類別分布的圖像分類方法。

背景技術：

1、現(xiàn)實世界視覺識別數(shù)據(jù)集通常呈現(xiàn)長尾類別分布，即小部分類別含有大量樣本，而其他大部分類別僅含有少量樣本。由于類別分布不平衡，訓練的模型很容易偏向含有較多樣本的頭部類，而在尾部類上表現(xiàn)不佳。

2、長尾學習是解決類別分布不平衡問題的主流研究方向之一。大多數(shù)當前的長尾研究僅考慮訓練數(shù)據(jù)服從長尾類別分布，并假設測試數(shù)據(jù)服從均勻類別分布。然而，該假設忽視了真實場景中測試數(shù)據(jù)往往存在未知的分布偏移，導致已有方法在解決實際長尾問題時失效。

技術實現(xiàn)思路

1、本發(fā)明目的：在于提供一種面向長尾類別分布的圖像分類方法，該方法適用于訓練集服從長尾類別分布，測試集服從未知類別分布的圖像分類場景，以解決真實場景中的長尾問題。

2、為實現(xiàn)以上功能，本發(fā)明設計一種面向長尾類別分布的圖像分類方法，執(zhí)行如下步驟s1-步驟s6，完成對圖像的分類預測：

3、步驟s1：采集原始圖像作為訓練樣本，并標注相應類別標簽，構建長尾訓練數(shù)據(jù)集；

4、步驟s2：使用數(shù)據(jù)混合技術，對步驟s1所構建的長尾訓練數(shù)據(jù)集中的原始圖像與類別標簽進行線性插值，構造新的圖像和類別標簽；

5、步驟s3：構建多專家模型，多專家模型具有不同預測偏向的專家模型，各專家模型分別基于不同邏輯調整系數(shù)的損失函數(shù)，包括面向正向長尾分布、均勻分布、逆向長尾分布三種不同分布的專家模型，并通過保留獨立的專家模型網絡參數(shù)，保證專家模型間的差異性；采用步驟s2所獲得的圖像和類別標簽對多專家模型進行訓練；

6、步驟s4：以無標簽的圖像作為測試樣本構建測試集，分別將測試集中的圖像輸入多專家模型，以測試多專家模型在未知測試分布中的泛化性能，獲得多專家模型的最優(yōu)集成權重；

7、步驟s5：使用最優(yōu)集成后的多專家模型對測試集中的圖像再次進行預測，得到最終分類結果；

8、步驟s6：如果用戶對最終分類結果滿意，則結束，否則收集更多的訓練樣本及標簽，執(zhí)行步驟s2。

9、有益效果：相對于現(xiàn)有技術，本發(fā)明的優(yōu)點包括：

10、一般的長尾設置僅考慮訓練集長尾分布、測試集平衡分布的情況。在現(xiàn)實世界應用中，測試集的分布可能是多種多樣的，這可能會使針對測試集平衡這一種分布設計的長尾方法表現(xiàn)不佳。為了考慮測試數(shù)據(jù)分布的不確定性，本發(fā)明首先利用訓練數(shù)據(jù)學習多個具有不同預測偏向的專家模型。然后通過專家模型生成測試數(shù)據(jù)偽標簽，并設計自適應閾值篩選高置信偽標簽優(yōu)化一致性正則，自動學習各專家模型的最優(yōu)線性組合，提升多專家集成模型在未知測試分布上的泛化效果，為解決真實場景中的長尾問題提供新的方案。

技術特征：

1.一種面向長尾類別分布的圖像分類方法，其特征在于，執(zhí)行如下步驟s1-步驟s6，完成對圖像的分類預測：

2.根據(jù)權利要求1所述的一種面向長尾類別分布的圖像分類方法，其特征在于，步驟s1中所構建的長尾訓練數(shù)據(jù)集為其中，xi表示第i個訓練樣本，yi表示訓練樣本xi的類別標簽，ns表示長尾訓練數(shù)據(jù)集中各個類別的訓練樣本總和。

3.根據(jù)權利要求1所述的一種面向長尾類別分布的圖像分類方法，其特征在于，步驟s2方法如下：

4.根據(jù)權利要求1所述的一種面向長尾類別分布的圖像分類方法，其特征在于，步驟s3中所構建的多專家模型具體如下：

5.根據(jù)權利要求1所述的一種面向長尾類別分布的圖像分類方法，其特征在于，步驟s4具體步驟如下：

技術總結
本發(fā)明公開了一種面向長尾類別分布的圖像分類方法，包括：用戶收集訓練數(shù)據(jù)及其類別標簽；利用數(shù)據(jù)混合技術對訓練數(shù)據(jù)進行線性插值，構造新的標簽樣本對；使用新構造的標簽樣本對訓練三個不同的專家模型；利用無標簽的測試數(shù)據(jù)學習專家模型在該測試分布上的最優(yōu)集成權重，提升多專家測試時的泛化性能；使用最優(yōu)集成后的專家模型對測試數(shù)據(jù)再次進行預測，得到最終分類結果；如果用戶對預測結果滿意，則結束，否則收集更多的訓練數(shù)據(jù)及標簽，返回執(zhí)行第二個步驟。本發(fā)明提升多專家集成模型在未知測試分布上的泛化效果，為解決真實場景中的長尾問題提供新的方案。

技術研發(fā)人員：魏通,康凱,張敏靈
受保護的技術使用者：東南大學
技術研發(fā)日：
技術公布日：2024/12/30