ABSTRACT： In the large － scale image classification，it is difficult to obtain the marked image data． In order to improve the classification rate of the image classifier in the case of fewer marked samples，the paper proposed an image classification algorithm based on cooperative semi － supervisor and deep learning ． Using the marked image samples as training set，three different classifiers were trained using VGGNet，GoogLeNet and ResNet model respectively． And the test results of the unlabeled samples were given the pseudo － label according to these models． When three classifiers give consistent judgments，the test result was directly given the pseudo － label． For the two judgments consistent，according to the degree of confidence sorting and sampling to give two consistent pseudo － label，in turn continue to label the unlabeled sample and expand the training set to get the final classification model． Finally，the Caltech － UCSD Birds － 200 － 2011 data set and the Caltech 256 data set were selected to experiment． The experimental results show that this algorithm can obtain a classification model with higher classification rate when the number of labeled samples is small． KEYWORDS： Semi － supervised collaboration training； Deep learning； Image classification
收稿日期： 2017 － 12 － 05 修回日期： 2017 － 12 － 27
共享及下采样的思想，使得该深层网络的训练开销减少，且 在字符识别中能达到 90% 以上的识别率。2012 年，在 ImageNet 的大规模视觉识别挑战赛中由 Alex Krizhevsky 等人提 出的”Alexnet”网络模型［1］以超过第二近 10% 的正确率赢得 比赛第一名。2015 年，19 层的神经网络模型 VGGNet 被提 出，该网络错误率低至 7. 3% ，在 ILSVRC 2014 竞赛中拿到定 位比赛项目的第一名、分类比赛项目的第二名的好成绩［2］。 在同年该竞赛中 GoogLeNet 被提出，该卷积神经网络模型共 22 层，其错误率被降至 6. 7%［3］。Kaiming He 在 2015 年提 出了一个更深的 深 度 神 经 网 络 模 型 ResNet，该 模 型 有 152
Deep Learning Image Classification Algorithm Based on Semi － Supervised Collaboration Training
GE Memg － ying，YU Chong － chong，ZHOU Lan，MA Yu － xi
（ College of Information Engineering，Qingdao University，Qingdao Shandong 266071，China）
1 引言
传统的图像分 类 算 法 在 性 能、效 率、智 能 等 方 面 都 很 难 满足图像大数据的要求，近年来，图像对象分类的深度学习 方法研究受到广泛关注，并出现了很多高识别率的算法。在 深度 学 习 中 卷 积 神 经 网 络 （ Convolutional Neural Network， CNN） 模型主要应用于图像分类领域。LeNet － 5 由 LeCun 等 人在 1998 年提出，主要用于字符识别，其局部感受野、权值
第 36 卷 第 2 期 文章编号： 1006 － 9348（ 2019） 02 － 0196
基于协同半监督的深度学习图像分类算法
葛梦颖，于重重，周 兰，马钰锡
（ 北京工商大学计算机与信息工程学院，北京 100048）
摘要： 大规模图像分类中，已标记图像数据的获取难度比较大。为了提高图像分类器在已标记样本较少的情况下的分类率， 提出了一种基于协同半监督的深度学习图像分类算法。将已标记的样本作为训练集，分别使用 VGGNet、GoogLeNet、ResNet 模型训练出三个不同的分类器，依据三者对未标记样本的测试结果给出伪标签，即测试结果中三个分类器判断一致的部分 直接赋予该伪标签，对于两个判断一致的，按照置信度排序并抽样赋予两个判断一致的伪标签，依次不断给未标记样本打标 签并扩充训练集，得到最终的分类模型。最后选取 Caltech － UCSD Birds － 200 － 2011 数据集和 Caltech 256 数据集进行实 验，实验结果表明，所提出的算法在已标记样本较少的情况下可以获得高分类率的分类模型。 关键词： 协同半监督学习； 深度学习； 图像分类 中图分类号： TP391 文献标识码： B