一种基于对抗融合众包标签的图像标记估计方法
文献发布时间:2023-06-19 11:35:49
技术领域
本发明涉及一种基于对抗融合众包标签的图像标记估计方法,属于图像标记估计领域。
背景技术
机器学习技术成为炙手可热的技术,一个好的机器学习模型需要大量有标记样本对来训练,然而获取标记是十分困难且昂贵的,特别是在需要高度相关的专业知识背景的领域,例如医学图像领域。快速地以较低代价获取标签具有很重要的实际应用需求。众包平台的出现正好满足了这一需求,其将标签任务分发给网络上的非专家标注者。由于非专家可能犯错误,众包通常采用冗余策略以消除单个标注者的极端错误影响,即将标注任务分发个多个标注者,每个标注者标注部分样本以节约成本。如何从多个来源的低质量标签中估计高质量的标记是众包中的重要问题。最简单的一种方式是多数投票,即选择最多标注者同意的标记类别。其假设为所有标注者的标注质量同等可信,并且忽略了标注者仅标注部分样本 的问题。本发明为每个标注者学习分类器模型以估计其对所有样本的标签,并借鉴生成对抗网络的动态平衡思想,补全不完整标注的同时,动态融合利用标注者之间相关性,纠正错误标签,提高真实标签估计的精度。
发明内容
本发明所要解决的技术问题是:提供一种基于对抗融合众包标签的图像标记估计方法,通过标注者分类器学习实现不完整标注的补全,通过对抗融合利用标注者之间相关性,实现错误标签的纠错,提升模型的泛化性。
本发明为解决上述技术问题采用以下技术方案:
一种基于对抗融合众包标签的图像标记估计方法,包括如下步骤:
步骤1,获取训练图像
步骤2,构建全连接深度表示学习网络,对训练图像
步骤3,为
步骤4,为
步骤5,构建生成对抗网络,将各标注者对应的分类器作为生成器,判别器为单层神经网络,生成对抗网络的输入为各标注者对应的分类器对训练图像
步骤6,为生成对抗网络构建生成对抗损失;
步骤7,基于随机梯度下降,端到端地对全连接深度表示学习网络参数、分类器参数、生成对抗网络参数进行迭代更新,训练包括全连接深度表示学习网络、分类器和生成对抗网络的模型;
步骤8,模型训练完成后,获取测试图像
作为本发明的一种优选方案,步骤2所述全连接深度表示学习网络为两层的卷积神经网络。
作为本发明的一种优选方案,步骤3所述分类器为单层深度神经网络。
作为本发明的一种优选方案,步骤4所述分类损失,具体形式如下:
其中,
作为本发明的一种优选方案,步骤6所述生成对抗损失,具体形式如下:
其中,
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明借鉴生成对抗网络的动态平衡思想,以之前得到的众包标注为学习目标得到的分类模型,并使用对抗的方式,在训练分类模型的同时,以其他的模型为“对抗目标”,动态的融合“互信息”,提高单个预测模型的预测效果,再进行结果融合时就能得到一个好的效果,提高泛化性。
附图说明
图1是本发明基于对抗融合众包标签的图像标记估计方法的流程图。
图2是本发明构建的模型架构图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明基于对抗融合众包标签的图像标记估计方法的流程图。具体步骤如下:
(一) 获取图像数据
(二) 构建两层的全连接深度表示学习网络,输入为图片原始像素特征,输出为提取的特征表示
(三) 为
(四)为各标注者分类器
(五) 构建生成对抗网络,以(三)中各个标注者分类器作为生成器,判别器为单层
(六) 为生成对抗网络的构造生成对抗损失,判别器最小化对抗损失,生成器最大化对抗损失;
(七) 基于随机梯度下降,端到端地对表示学习网络参数、标注者分类器参数、判别器参数进行迭代更新,训练模型;
(八)模型训练完成后以测试图片
对抗融合模型在模拟每个标注者标注过程的同时,标注者之间的标注信息也以对抗的方式进行融合,对错误标记进行纠正,缺失信息进行补全,具体实现是:
假设当前的数据为
1)标注者分类器
a)训练数据
每个
b)特征提取
对于输入的图片,使用两层的卷积神经网络进行特征提取,输入的原始图片
c)模型训练
训练分类器,采用深度神经网络进行训练,深度神经网络对数据具有强大的拟合 能力,
d)损失函数
在训练分类器的过程中,学习的只是
其中,
2)对抗融合
a)主要思想
b)具体实现
判别器使用单层神经网络,实现分类器的功能,输入的
c)损失函数
具体的目标形式化如下:
对于判别器
以对抗的方式达到融合信息的目的。其本质是:
左半部分是以
图1所示的以数据流向为驱动的生成对抗方式用于众包数据的融合。首先我们需 要
图2所示是网络架构图,本发明采用深度网络的方式实现。首先是根据输入
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
- 一种基于对抗融合众包标签的图像标记估计方法
- 一种基于对抗融合众包标签的图像标记估计方法