(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210667551.8 (22)申请日 2022.06.14 (71)申请人 山东建筑大学 地址 250101 山东省济南市历城区临港开 发区凤鸣路10 00号 申请人 山东第一医科 大学第一附属医院 （山东省千佛山医院） 　 山东大学 (72)发明人 袭肖明　王瑞丰　聂秀山　张光　 尹义龙　刘新锋　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 王雪 (51)Int.Cl. G06V 10/764(2022.01)G06V 10/762(2022.01) G06V 10/40(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于判别性原子嵌入半监督网络的图像分 类方法及系统 (57)摘要 本发明属于图像 分类领域， 提供了一种基于 判别性原子嵌入半监督网络的图像分类方法及 系统， 包括获取输入图像数据； 基于输入图像数 据进行预处理， 得到每个子类的初始化判别性原 子； 利用预先训练好的半监督网络图像 分类模型 对输入图像和初始化判别性原子进行对比预测 得到每个子类的对比得分， 计算其最大得分所对 应的子类别和类别作为预测分类结果； 本发明以 经典的半监督学习网络mean ‑teacher作为基本 框架， 引入判别原子学习区分性特征， 构建关系 对偶网络 结构， 每个子网络包含 特征提取器和关 系学习器， 基本判别性原子嵌入和关系对偶的半 监督学习思想的算法， 能够满足图像 分类任务的 深度学习要求。 权利要求书2页 说明书9页 附图2页 CN 115049876 A 2022.09.13 CN 115049876 A 1.基于判别性原子嵌入半监 督网络的图像分类方法， 其特 征在于， 包括： 获取输入图像数据； 基于输入图像数据进行 预处理， 得到每 个子类的初始化判别性原子； 利用预先训练好的半监督网络图像分类模型对输入图像和初始化判别性原子进行对 比预测得到每个子类的对比得分， 计算其最大得分所对应的子类别和类别作为预测分类结 果； 其中， 所述半监 督网络图像分类模型的训练过程， 包括： 获取样本图像数据集和样本初始化判别性原子； 将样本图像数据集随机加噪， 得到加噪样本图像数据集； 将样本图像数据集和样本初始化判别性原子输入到学生模型进行分类， 将加噪样本图 像数据集和样本初始化判别性原子 输入到教师模型进行分类； 基于分类预测概率得到总损失， 不断进行训练， 使得总损失呈现下降趋势， 直到训练轮 次达到设定值或者总损失呈现平稳趋势， 保存其最小损失值时的网络模型， 得到训练好的 半监督网络图像分类模型。 2.如权利要求1所述的基于判别性原子嵌入半监督网络的图像分类方法， 其特征在于， 所述初始化判别性原子的获取 过程为： 获取图像数据集进行层次聚类； 将聚类后的图像数据集划分为K个子类； 获取每个子类的聚簇中心作为每 个子类的初始化判别性原子 。 3.如权利要求1所述的基于判别性原子嵌入半监督网络的图像分类方法， 其特征在于， 所述样本图像数据集包括有标签样本图像数据集和无 标签样本图像数据集； 所述加噪样本图像数据集包括有标签加噪样本图像数据集和无标签加噪样本图像数 据集。 4.如权利要求3所述的基于判别性原子嵌入半监督网络的图像分类方法， 其特征在于， 所述学生模型的分类过程， 包括： 对样本图像数据集和样本初始化判别性原子进行特征提取， 得到样本图像数据集向量 和判别性原子向量； 对样本图像数据集向量和判别性原子向量进行区分性学习； 将样本图像数据集向量和判别性原子向量进行 特征拼接， 得到拼接后的总向量特 征； 将拼接后的总向量特征输入到关系学习器中， 得到样本图像数据集向量和判别性原子 向量的关系得分， 即样本图像的每 个子类的预测概 率。 5.如权利要求3所述的基于判别性原子嵌入半监督网络的图像分类方法， 其特征在于， 所述教师模型的分类过程， 包括： 对加噪样本图像数据集和样本初始化判别性原子进行特征提取， 得到加噪样本图像数 据集向量和判别性原子向量； 将加噪后样本图像数据集向量和判别性原子向量进行特征拼接， 得到拼接后的总向量 特征； 将拼接后的总向量特征输入到关系学习器中， 得到加噪后样本图像数据集和判别性原 子向量的关系得分， 即加噪后样本图像的每 个子类的预测概 率。权　利　要　求　书 1/2 页 2 CN 115049876 A 26.如权利要求4或5所述的基于判别性原子嵌入半监督网络的图像分类方法， 其特征在 于， 利用学生模型中有标签样本图像数据的预测概率， 计算其与真实标签类别进行交叉熵 损失； 利用学生模型中无标签样本图像数据的子类预测概率和教师模型中无标签加噪后样 本图像数据的子类预测概 率， 计算两者的细粒度一 致性损失； 利用学生模型中无标签样本图像数据的预测概率和教师模型中无标签加噪后样本图 像数据的预测概 率， 计算两者的标记一 致性损失； 利用学生模型中有标签样本图像数据集向量和判别性原子向量， 计算两者的区分性损 失； 将交叉熵损失、 细粒度一致性损失加权、 标记一致性损失加权和区分性损失加权求和， 得到总损失。 7.如权利要求4或5所述的基于判别性原子嵌入半监督网络的图像分类方法， 其特征在 于， 进行特征提取的特征提取模块由四层的卷积层和两层的最大池化层的浅层卷积神经网 路构成； 所述关系学习器由两个卷积块和两个最大池化层以及两个全连接层构成。 8.基于判别性原子嵌入半监 督网络的图像分类系统， 其特 征在于， 包括： 数据获取模块， 被 配置为获取输入图像数据； 数据处理模块， 被配置为基于输入图像数据进行预处理， 得到每个子类的初始化判别 性原子； 图像分类模块， 被配置为利用预先训练好的半监督网络图像分类模型对输入图像和初 始化判别性原子进行对比预测得到每个子类的对比得分， 计算其最大得分所对应的子类别 和类别作为预测分类结果； 其中， 所述半监 督网络图像分类模型的训练过程， 包括： 获取样本图像数据集和样本初始化判别性原子； 将样本图像数据集随机加噪， 得到加噪样本图像数据集； 将样本图像数据集和样本初始化判别性原子输入到学生模型进行分类， 将加噪样本图 像数据集和样本初始化判别性原子 输入到教师模型进行分类； 基于分类预测概率得到总损失， 不断进行训练， 使得总损失呈现下降趋势， 直到训练轮 次达到设定值或者总损失呈现平稳趋势， 保存其最小损失值时的网络模型， 得到训练好的 半监督网络图像分类模型。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑7中任一项 所述的基于判别性原子嵌入半监督网络的图像 分类方法 中的步骤。 10.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7中任一项 所述的基 于判别性原子嵌入半监 督网络的图像分类方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115049876 A 3