基于同伴学习的样本选择算法

摘要

本发明公开了基于同伴学习的样本选择算法，包括以下步骤：(1)同时训练两个深度卷积神经网络，将图像输入两个网络分别进行前向计算，预测图像类别，计算交叉熵损失；(2)两个网络利用预测结果不一致的样本更新自身网络参数；(3)两个网络从预测一致的样本中选取低损失值的样本互相更新对方网络参数。本发明两个同伴子网络通过“自我学习”(利用网络预测不一致的样本更新网络)和“相互交流”(交换网络预测一致的样本来更新网络)来提升最终的识别性能，有效应对了网络图像数据集存在的标签噪声问题。另外，本发明能有效地从含标签噪声的数据集中选取出对模型训练有益的样本，可广泛应用于各类标签不可靠的场景任务下。