基于主动损失预测和数据增强的图像分类系统.pdfVIP

基于主动损失预测和数据增强的图像分类系统

摘要

图像分类是当前人工智能领域一个重要的研究方向，它在当今社会有许多的应用前

景。数据是训练深度学习模型的关键，得益于当今信息时代网络上有很多用于学习研究

的图像开源数据集，在图像分类上，已经有不少深度学习模型取得重大突破。然而，在

现实的使用中，获得大量的无标签的图像是容易的，而对这些无标签的图像进行标注和

分类是费力且耗时的。而且对于一些特殊的数据集，例如在对一个花卉数据集进行标注，

还需要能够分辨它们的专业人员才能完成标注任务。主动学习正是为了克服这一个难题

而产生的，主动学习通过不同的选择策略选择无标签样本进行标注后加入训练集用于训

练模型，通过有限的标注样本预算来训练出一个更优的模型。本文的主要工作如下：

（1）本文基于主动损失预测方法和数据增强方法提出了一种有效的图像分类方法

LLPA（LearnLossPlusWithDataAugmentation）。考虑到分类模型的鲁棒性，该方法使

用主动损失预测模块对原始图像和增强图像进行预测，并使用它们之间预测的差异值进

行图像选择，之后对这些选择的图像进行标注后用于训练。对于传统的有监督学习方法

没有考虑如何使用无标签图像的问题，本文提出了一种伪标签策略对分类模型较为确信

的图像样本加入训练集进行训练，实现了对有标签图像数据集的扩充。最后为了提高分

类模型在算法迭代初期对样本特征的提取能力，本文使用了一种自监督方法和整个无标

签图像样本集对模型进行预训练来提升模型的训练效果。为了验证本文方法的有效性，

在多个图像数据集上进行了对比实验，对比结果表明本文方法在使用相同的标注成本下

能够获得更高的图像分类准确率。

（2）考虑到当前缺失一种融合主动学习方法的图像分类系统，因此本文在提出

LLPA图像分类算法的基础上，根据LLPA算法的流程设计了一个在线的图像标注分类

系统。并采用前后端分离开发技术，使用Vue和Django完成了对系统的实现。本系统

集LLPA算法流程中的样本选择、标注、训练和最后的模型使用于一体。完成系统后，

对系统进行了功能性测试，确保系统可正常使用以帮助减少训练一个图像分类模型的标

注成本。测试结果表明本系统可以有效帮助用户进行标注和训练一个分类模型，并能够

在线使用该分类模型。

关键词：主动学习；深度学习；图像分类；主动损失预测；数据增强

基于主动损失预测和数据增强的图像分类系统

Abstract

Imageclassificationisanimportantresearchdirectioninthefieldofartificialintelligence,

anditholdssignificantpotentialforvariousapplicationsincontemporarysociety.Datais

crucialfortrainingdeeplearningmodels.Benefitingfromthecurrentinformationage,there

aremanyopensourceimagedatasetsavailableontheinternetforlearningandresearch

purposes,therehavebeenmanydeeplearningmodelsthathavemadesignificantbreakthroughs

inimageclassification.However,inrealisticuse,itiseasytoobtainalargenumberofunlabeled

images,whilelabelingandclassifyingtheseunlabeledimagesislaboriousandtime-con