本技術(shù)涉及機器學(xué)習(xí)領(lǐng)域，尤其是涉及一種原型加權(quán)對比學(xué)習(xí)的圖像識別方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、在圖像識別領(lǐng)域，準確地分類和識別圖像是許多應(yīng)用的核心，例如自動駕駛、安防監(jiān)控和醫(yī)療影像分析。傳統(tǒng)的圖像識別方法依賴于大量人工標注的數(shù)據(jù)集，這種方法不僅成本高昂，還需要耗費大量時間。自監(jiān)督學(xué)習(xí)由于不需要人工標注的標簽而成為了解決許多現(xiàn)實世界問題的強大工具，特別是在數(shù)據(jù)量龐大且標注成本高昂的情況下。自監(jiān)督學(xué)習(xí)是一種能夠?qū)崿F(xiàn)在數(shù)據(jù)量龐大的情況下，不需要人工標注標簽的工具。自監(jiān)督學(xué)習(xí)的常見方法包括生成式方法、預(yù)測式方法和對比學(xué)習(xí)。生成式方法通過重構(gòu)原始數(shù)據(jù)來學(xué)習(xí)，如生成對抗網(wǎng)絡(luò)。預(yù)測式方法通過讓模型預(yù)測數(shù)據(jù)的一部分來進行學(xué)習(xí)，如預(yù)測圖像變換等。而對比學(xué)習(xí)通過比較不同樣本之間的差異來進行學(xué)習(xí)。具體來說，對比學(xué)習(xí)將同一圖像的增強樣本視為正樣本，將其他所有樣本都視為負樣本。通過減小正樣本對的距離，同時增大負樣本對的距離，來學(xué)習(xí)數(shù)據(jù)的特征分布。

2、現(xiàn)有的圖像識別方法在處理負樣本時存在局限性，具體來說，對比學(xué)習(xí)的圖像識別方法中負樣本的定義與下游任務(wù)中負樣本的定義存在差異。以小狗樣本為例，除了錨點樣本對應(yīng)的小狗，數(shù)據(jù)空間中的其他所有樣本都會被視為錨點樣本的負樣本，即，這種圖像識別方法將每一個樣本視為一個類。然而在下游任務(wù)中，負樣本應(yīng)該是不同品種的小狗的樣本。因此，這些在對比學(xué)習(xí)中被視為負樣本的小狗樣本，被稱為圖像識別的假負樣本，將假負樣本推離錯誤地推離錨點樣本，會導(dǎo)致對比學(xué)習(xí)和下游任務(wù)中的語義信息產(chǎn)生偏差，從而使下游任務(wù)中的分類結(jié)果產(chǎn)生錯誤，進而使得圖像識別不準確。

3、為了解決對比學(xué)習(xí)的圖像識別中假負樣本造成的語義丟失問題，一些對比學(xué)習(xí)方法的圖像識別使用聚類技術(shù)。在訓(xùn)練期間，對樣本對應(yīng)的特征向量進行聚類，并把聚類標簽作為樣本的偽標簽，用來指導(dǎo)對比學(xué)習(xí)。即，對比學(xué)習(xí)的正樣本是那些具有相同偽標簽的樣本，而負樣本是那些具有不同偽標簽的樣本。然而將這種聚類方式運用在圖像識別當中，需要使用整個訓(xùn)練集作為輸入，需要額外的訓(xùn)練時間和空間。由上可知，采用聚類對比學(xué)習(xí)方法對圖像識別的對比學(xué)習(xí)進行訓(xùn)練，雖然能夠一定程度上提升圖像識別的準確性，但是需要耗費更多資源和時間，且僅針對假負樣本進行對比學(xué)習(xí)，得到的結(jié)果依然難以區(qū)分相似樣本，導(dǎo)致圖像識別的識別準度不足，上述問題有待解決。

技術(shù)實現(xiàn)思路

1、為了準確區(qū)分相似樣本，減少學(xué)習(xí)時資源和時間的使用，提升圖像識別的準確性，本技術(shù)提供一種原型加權(quán)對比學(xué)習(xí)的圖像識別方法、系統(tǒng)、設(shè)備及介質(zhì)，采用如下技術(shù)方案：

2、第一方面，本技術(shù)提供一種原型加權(quán)對比學(xué)習(xí)的圖像識別方法，包括：

3、獲取樣本特征信息，對樣本特征信息進行聚類，得到第一聚類信息；

4、根據(jù)兩個樣本特征信息的第一聚類信息構(gòu)建聚類一致性損失函數(shù)，得到聚類結(jié)果；

5、對聚類一致性損失函數(shù)進行優(yōu)化，在聚類結(jié)果判斷變?yōu)榭尚诺那闆r下，獲取負樣本特征信息，對負樣本特征信息進行聚類，得到第二聚類信息；

6、根據(jù)第一聚類信息和第二聚類信息構(gòu)建加權(quán)對比學(xué)習(xí)損失函數(shù)，得到對比結(jié)果；

7、根據(jù)聚類結(jié)果和對比結(jié)果構(gòu)建總損失函數(shù)，得到用于梯度反向傳播進行更新模型參數(shù)的總損失信息。

8、優(yōu)選的，所述對樣本特征信息進行聚類，得到第一聚類信息的具體步驟包括：

9、所述樣本特征信息包括若干個樣本特征向量，對若干個樣本特征向量聚類為預(yù)設(shè)定數(shù)量的類別，得到包含有預(yù)設(shè)定數(shù)量的聚類原型信息。

10、優(yōu)選的，所述對樣本特征信息進行聚類，得到第一聚類信息的具體步驟還包括：

11、對每個樣本特征向量進行概率分析，構(gòu)建得到樣本特征向量所屬類別的概率函數(shù)，得到概率信息。

12、優(yōu)選的，還包括：

13、構(gòu)建聚類一致性損失函數(shù)的兩個樣本特征信息來自同一原始數(shù)據(jù)，兩個樣本特征信息均進行概率分析，根據(jù)兩個樣本特征信息對應(yīng)的概率函數(shù)，構(gòu)建得到聚類一致性損失函數(shù)。

14、優(yōu)選的，所述對聚類一致性損失函數(shù)進行優(yōu)化的具體步驟為：

15、根據(jù)聚類原型信息構(gòu)建第一聚類標簽，對第一聚類標簽進行最大化處理；

16、獲取神經(jīng)網(wǎng)絡(luò)輸出概率相似度信息，根據(jù)最大化的第一聚類標簽和神經(jīng)網(wǎng)絡(luò)輸出概率相似度信息，構(gòu)建用于優(yōu)化聚類一致性損失函數(shù)的最優(yōu)聚類標簽。

17、優(yōu)選的，還包括：

18、對聚類一致性損失函數(shù)構(gòu)建等分約束函數(shù)，等分約束函數(shù)用于使樣本特征信息等分至若干個聚類簇中。

19、優(yōu)選的，所述獲取樣本特征信息的具體步驟為：

20、獲取樣本信息，對樣本信息進行增強處理，得到增強樣本信息；

21、對增強樣本信息進行正則化處理，得到樣本特征信息。

22、優(yōu)選的，所述根據(jù)第一聚類信息和第二聚類信息構(gòu)建加權(quán)對比學(xué)習(xí)損失函數(shù)的具體步驟為：

23、分析第一聚類標簽和第二聚類標簽的相似度，得到相似度信息，并根據(jù)相似度信息分析得到用于強調(diào)難負樣本的權(quán)重系數(shù)；

24、根據(jù)樣本特征向量、負樣本特征向量、第一聚類標簽、第二聚類標簽和權(quán)重系數(shù)構(gòu)建得到加權(quán)對比學(xué)習(xí)損失函數(shù)。

25、優(yōu)選的，還包括：

26、判斷第一聚類標簽和第二聚類標簽是否相同，在第一聚類標簽和第二聚類標簽不同的情況下，根據(jù)第一聚類信息和第二聚類信息構(gòu)建加權(quán)對比學(xué)習(xí)損失函數(shù)。

27、第二方面，本技術(shù)提供一種原型加權(quán)對比學(xué)習(xí)的圖像識別系統(tǒng)，包括：

28、第一獲取模塊，用于獲取樣本特征信息，對樣本特征信息進行聚類，得到第一聚類信息；

29、聚類模塊，用于根據(jù)兩個樣本特征信息的第一聚類信息構(gòu)建聚類一致性損失函數(shù)，得到聚類結(jié)果；

30、第二獲取模塊，用于對聚類一致性損失函數(shù)進行優(yōu)化，在聚類結(jié)果判斷變?yōu)榭尚诺那闆r下，獲取負樣本特征信息，對負樣本特征信息進行聚類，得到第二聚類信息；

31、對比模塊，用于根據(jù)第一聚類信息和第二聚類信息構(gòu)建加權(quán)對比學(xué)習(xí)損失函數(shù)，得到對比結(jié)果；

32、總處理模塊，用于根據(jù)聚類結(jié)果和對比結(jié)果構(gòu)建總損失函數(shù)，得到用于梯度反向傳播進行更新模型參數(shù)的總損失信息。

33、優(yōu)選的，所述第一獲取模塊用于對樣本特征信息進行聚類，得到第一聚類信息的具體步驟包括：

34、所述樣本特征信息包括若干個樣本特征向量，對若干個樣本特征向量聚類為預(yù)設(shè)定數(shù)量的類別，得到包含有預(yù)設(shè)定數(shù)量的聚類原型信息。

35、優(yōu)選的，所述第一獲取模塊用于對樣本特征信息進行聚類，得到第一聚類信息的具體步驟還包括：

36、對每個樣本特征向量進行概率分析，構(gòu)建得到樣本特征向量所屬類別的概率函數(shù)，得到概率信息。

37、優(yōu)選的，還包括：

38、所述聚類模塊用于構(gòu)建聚類一致性損失函數(shù)的兩個樣本特征信息來自同一原始數(shù)據(jù)，兩個樣本特征信息均進行概率分析，根據(jù)兩個樣本特征信息對應(yīng)的概率函數(shù)，構(gòu)建得到聚類一致性損失函數(shù)。

39、優(yōu)選的，所述第二獲取模塊用于對聚類一致性損失函數(shù)進行優(yōu)化的具體步驟為：

40、根據(jù)聚類原型信息構(gòu)建第一聚類標簽，對第一聚類標簽進行最大化處理；

41、獲取神經(jīng)網(wǎng)絡(luò)輸出概率相似度信息，根據(jù)最大化的第一聚類標簽和神經(jīng)網(wǎng)絡(luò)輸出概率相似度信息，構(gòu)建用于優(yōu)化聚類一致性損失函數(shù)的最優(yōu)聚類標簽。

42、優(yōu)選的，還包括：

43、聚類模塊用于對聚類一致性損失函數(shù)構(gòu)建等分約束函數(shù)，等分約束函數(shù)用于使樣本特征信息等分至若干個聚類簇中。

44、優(yōu)選的，所述第一獲取模塊用于獲取樣本特征信息的具體步驟為：

45、獲取樣本信息，對樣本信息進行增強處理，得到增強樣本信息；

46、對增強樣本信息進行正則化處理，得到樣本特征信息。

47、優(yōu)選的，所述對比模塊用于根據(jù)第一聚類信息和第二聚類信息構(gòu)建加權(quán)對比學(xué)習(xí)損失函數(shù)的具體步驟為：

48、分析第一聚類標簽和第二聚類標簽的相似度，得到相似度信息，并根據(jù)相似度信息分析得到用于強調(diào)難負樣本的權(quán)重系數(shù)；

49、根據(jù)樣本特征向量、負樣本特征向量、第一聚類標簽、第二聚類標簽和權(quán)重系數(shù)構(gòu)建得到加權(quán)對比學(xué)習(xí)損失函數(shù)。

50、優(yōu)選的，還包括：

51、所述對比模塊用于判斷第一聚類標簽和第二聚類標簽是否相同，在第一聚類標簽和第二聚類標簽不同的情況下，根據(jù)第一聚類信息和第二聚類信息構(gòu)建加權(quán)對比學(xué)習(xí)損失函數(shù)。

52、第三方面，本技術(shù)提供一種原型加權(quán)對比學(xué)習(xí)的圖像識別設(shè)備，包括存儲器和處理器，所述存儲器存儲計算機程序，所述處理器被設(shè)置為運行所述計算機程序以執(zhí)行如前所述的原型加權(quán)對比學(xué)習(xí)的圖像識別方法。

53、第四方面，本技術(shù)提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有計算機程序，其中，所述計算機程序被設(shè)置為運行時執(zhí)行如前所述的原型加權(quán)對比學(xué)習(xí)的圖像識別方法。

54、綜上所述，與現(xiàn)有技術(shù)相比，本技術(shù)提供的技術(shù)方案帶來的有益效果至少包括：

55、本技術(shù)通過獲取樣本特征信息，對樣本特征信息進行在線聚類，得到用于構(gòu)建損失函數(shù)的第一聚類信息，再根據(jù)兩個來自同一原始數(shù)據(jù)的樣本特征信息構(gòu)建得到聚類一致性損失函數(shù)，從而得到聚類結(jié)果，消除假負樣本帶來的不利影響，并對聚類一致性損失函數(shù)進行優(yōu)化，在聚類結(jié)果判斷變?yōu)榭尚诺那闆r下，獲取負樣本特征信息進行聚類，得到第二聚類信息，通過第一聚類信息和第二聚類信息構(gòu)建加權(quán)對比學(xué)習(xí)損失函數(shù)，根據(jù)負樣本與錨點對應(yīng)的聚類原型的距離確定難負樣本，并為更難的負樣本分配更大的權(quán)重，得到對比結(jié)果，有效排除了假負樣本，從而準確區(qū)分相似樣本，減少學(xué)習(xí)時資源和時間的使用，提升圖像識別的準確性。