本发明提供了一种对图像数据进行无偏见分类的方法。该方法包括:根据分类标签和偏见属性对训练图像数据进行标注;构建用于图像分类的深度卷积神经网络,将训练图像数据输入到深度卷积神经网络,将深度卷积神经网络中的卷积层输出的图像特征划分为无偏见分类信息和偏见信息;通过偏见分类器对偏见信息进行分类,通过特征分类器对无偏见分类信息进行分类,利用损失函数对偏见分类器和特征分类器进行迭代优化;利用优化完成后的特征分类器对需要分类的图像数据进行去偏见分类。本发明通过利用完全的数据进行训练,这样能够保证在去偏见的同时,仍然能够提取到充分的分类信息,实现在去偏见的同时,保证模型仍有较高的分类准确率。
各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
大数据国家工程研究中心累计投资3亿余元条件建设和科研运行经费,完成科研条件建设,组建了一支330余人的科研团队,其中,专业技术人员271人,博士46人,硕士研究生142人,正高级职称23人,高级工程师55人。同时聘请了陈润生、沈昌祥、王陇德、杨小牛、岳清瑞、王坚等6位院士担任领军专家。
评价单位:“科创中国”贵州科技服务团 (贵州省科学技术协会)
评价时间:2023-10-31
综合评价
经过细致的技术审查和深入的讨论,专家组对这种对图像数据进行无偏见分类的方法给予了高度的认可。该系统在解决约束模型在学习分类任务中不引入偏见信息显现出卓越的技术优势。该系统采用的先进算法和神经网络模型为用户提供了深度、即时的数据处理,这在许多关键决策场景中具有不可估量的价值。但也有专家提出,随着行业发展和新技术的快速进化,:不断改进和优化方法,引入最新的技术和算法,提高图像分类的准确性和性能,保持竞争优势。此外,根据不同行业和用户的需求,提供定制化的图像分类解决方案,满足不同应用场景的需求。期待其为推动整个行业技术进步做出更大贡献。
查看更多>