(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 202211397911.3 (22)申请日 2022.11.09 (71)申请人 南京码极客科技有限公司 地址 210000 江苏省南京市浦口区新北路1 号江北国际智谷B栋 5层 (72)发明人 姚亚洲　黄丹　孙泽人　姚钰龙　 沈复民　 (74)专利代理 机构 安徽宏铎知识产权代理事务 所(普通合伙) 3425 0 专利代理师 菅秀君 (51)Int.Cl. G06T 5/00(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于动态样本选择的网络图像标签去 噪方法 (57)摘要 本发明公开一种基于动态样本选择的网络 图像标签去噪方法， 包括S1.首先， 将网络提取的 样本特征 投影到余弦空间， 通过样 本间的余弦距 离确定每个样本的内点集； S2.将网络数据集中 的样本送入深度神经网络， 最后的全 连接层输出 样本的特征； 本发明首先将网络提取的样本特征 投影到余弦空间， 再通过样本间的余弦距离确定 每个样本的内点集， 最后挑选出最大内点集并使 用新的损 失进行反向传播， DSSBR方法无需为每 个数据集设定 丢弃率， 并且达 到了很好的效果。 权利要求书3页 说明书7页 附图2页 CN 115511753 A 2022.12.23 CN 115511753 A 1.一种基于动态样本选择的网络图像标签去噪方法， 是基于RANSAC的动态样本选择方 法DSSBR， 其特 征在于， 包括如下步骤： S1.首先， 将网络提取的样本集投影到余弦空间， 通过样本间的余弦距离确定每个样本 的内点集； S2.将网络数据集中的样本送入深度神经网络， 最后的全连接层输出样本的特征， 具体 为： S21.利用特 征归一化来约束特 征的L2范 数， 从而输出Softmax层； S22.对Softmax层的输出进行 标签平滑并计算损失以更新网络 。 2.根据权利要求1所述的一种基于动态样本选择的网络图像标签去噪方法， 其特征在 于， 在S1中， 将样本集 划分为两个集合： 干净样本集 与噪声集 ； 样本集 ； 其中干净样本集 又包含简单样本与硬样本， 假设每个类别都 有一个内点 集 和外点集 ， 分别对应干净样本集 与噪声集 ； 网络全连接层提取的图片的特征为 ， 对于样本 的类别 ， 分别计算样本 与 类 中其他样本 的余弦距离 ， 计算公式如下：   （6.1） （6.2） 记录下样本 与其他样本的余弦距离：    （6.3） 样本 与其他样本的最大余弦距离为 ：   （6.4） 。 3.根据权利要求2所述的一种基于动态样本选择的网络图像标签去噪方法， 其特征在 于， 将样本 与其他样本的余弦距离归一 化：   （6.5） 归一化后样本 与其他样本的余弦距离：   （6.6）权　利　要　求　书 1/3 页 2 CN 115511753 A 2当样本 与 的余弦距离 满足以下 条件， 则该样本属于 的内点集 :    （6.7） 根据公式 （6.7） 挑选出的属于 的内点集 并记录 中内点的个数 ， 其 中 为丢弃阈值。 4.据权利要求3所述的一种基于动态样本选择的网络图像标签去噪方法， 其特征在于， 挑选样本 的内点集 即以 为圆心画圆， 圆内的样本为内点 集， 其余的为外点 集； 当 的内点集 中内点的个数 大于 类其他任意样本的内点集中内点的个 数， 且 的内点集 中内点的个数 大于当前类别中样本个数的一半时， 的内点 集 即为 类的内点 集 ， 类的内点 集 的挑选方式如下：   （6.8）    （6.9） 。 5.根据权利要求1所述的一种基于动态样本选择的网络图像标签去噪方法， 其特征在 于， 在S21中， 利用特 征归一化来约束特 征的L2范 数， 得到的Softmax层的输出为：   （6.10） 。 6.根据权利要求5所述的一种基于动态样本选择的网络图像标签去噪方法， 其特征在 于， DSSBR最终更新网络的损失 计算方式如下：   （6.11）   （6.12） 。 7.根据权利要求6所述的一种基于动态样本选择的网络图像标签去噪方法， 其特征在 于， 更新网络的损失中心损失 公式如下：   （6.13） 其中 为 类的第i个样本的特征值， 为 类样本的类别中心的特征表示； 在训练 过程中， 动态更新， 使用中心损失约束的交叉熵损失来更新网络， 表达方式如下：权　利　要　求　书 2/3 页 3 CN 115511753 A 3