1.基于课程学习和深度学习的图像标注方法,其特征在于,包括以下步骤:
2.根据权利要求1所述基于课程学习和深度学习的图像标注方法,其特征在于,所述利用数据集转换成嵌入空间的嵌入特征并对自编码器进行预训练,具体为,
3.根据权利要求2所述基于课程学习和深度学习的图像标注方法,其特征在于,所述计算嵌入特征的密度和难度分数,具体为,
4.根据权利要求1所述基于课程学习和深度学习的图像标注方法,其特征在于,所述计算选取样本的比例,并根据难度分数迭代计算簇内嵌入特征的降序排列和簇内每个样本的指示变量,获取训练集,具体为,
5.根据权利要求1所述基于课程学习和深度学习的图像标注方法,其特征在于,所述根据设定的密度核选取比例迭代计算嵌入特征的簇密度核,并预测簇分配概率,形成软标签分布,聚类嵌入特征,聚类结果的变化小于阈值时迭代终止,具体为,
6.根据权利要求5所述基于课程学习和深度学习的图像标注方法,其特征在于,还包括一个辅助目标变量pik来反复完善模型的预测,如下式:
7.根据权利要求6所述基于课程学习和深度学习的图像标注方法,其特征在于,所述迭代计算训练集的损失并反向传播训练自编码器,具体为,
8.基于课程学习和深度学习的图像标注系统,其特征在于,应用于权利要求1-7中任一项所述的基于课程学习和深度学习的图像标注方法,包括图像采集模块,模型构建模块,微调训练模块和图像标注模块;
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的基于课程学习和深度学习的图像标注方法。