面向图像分析应用的海量样本过滤方案

面向图像分析应用的海量样本过滤方案

多重过滤的技术方案，其具体流程如下：

1. 图像去重：去除重复图像及极相似图像;
2. 常见噪声图像过滤：过滤掉人脸、包装、发票等无关的常见类型噪声图像;
3. 基于聚类的样本挑选：在深度特征空间上进行聚类，选取合适的聚类作为目标样本，并将其他聚类作为噪声图像去除;
4. 基于分类的样本筛选：利用分类器返回的置信度来评估样本与相应类别的相关度，进一步筛选样本。

图像去重及常见噪声图像过滤

待选样本集里含有较多的重复图像或极相似图像，可以通过不同的方式去重：提取图像的直方图特征向量，利用特征向量之间的相似性进行去重;或者构建一个哈希表，提取图像的简单颜色和纹理特征，对特征量化后利用哈希表进行查询，能够查询到的就是重复或极相似图像，查询不到的加入表中。前一种方法对于微小差异表现更好，后一种方法的计算性能优势明显。

待选样本集里往往会含有一些常见的噪声图像模式，比如人脸、纸箱外包装、发票、聊天纪录图、商品或店铺Logo图等，占有相当高的比例。对于这些常见噪声图像，先提取其HOG特征，并用提前训练好的SVM分类器对其进行分类。为了保证精度，对于不同类的噪声图像，分别训练1vN的SVM分类器，只要图像判别为其中任一类噪声图像，即将其筛出。

以上两步，只利用了图像的简单特征，只能够去除样本集里的重复图像和常见噪声图像，对于更复杂的噪声图像模式，需要利用更有效的图像特征，并对于复杂类别采用无监督聚类来挖掘。

基于聚类的样本挑选

要利用图像本身的丰富信息对其进行聚类，首先需要提取更为丰富的图像特征。因此可利用深度网络模型来提取图像特征，得到的特征融合了常见的图像基本特征，并包含了更为高阶的图像语义信息，具有更强的表现能力。这里借助在Imagenet数据集上训练得到的网络模型，并利用已有的样本集进行fine-tune，这样模型对于特定品类的表达能力得到增强。这里对于一个图像样本，通过深度网络得到的特征是1024维向量，进一步通过PCA降维成256维的特征向量。这样图像样本集就构成了一个特征数据空间。

接下来，在降维后的特征数据空间，利用一种基于密度的聚类算法进行聚类。该算法最突出的特点采用了一种新颖的聚类中心选择方法，其准则可描述为：

• 聚类中心附近的点密度很大，且其密度大于其任何邻居点的密度;
• 聚类中心和点密度比它更大的数据点，它们的距离是比较大的。
• 选择了合适的聚类中心之后，再将各数据点分类到离其最近的聚类上，并根据各点距离相应聚类中心的远近，把它们划分成核心数据点和边缘数据点。

该聚类算法思路简单，效率较高，并且对于不同的场景具有较好的鲁棒性。

在所得的聚类结果中，进一步选出密度较大且半径较为紧凑的聚类，其中的样本作为待选的目标样本数据，而其他聚类对应的样本则作为噪声样本予以筛除。

基于分类的样本筛选

以上聚类所得的目标样本中，可能还含有少数的不相关样本，需要进一步的筛选。这里利用分类器的置信度评估样本的类别相关度，其中与所属类别不相关或弱相关的样本可以进一步去除。

具体方法是从目标样本中随机可放回的选取若干样本，并打上新的类别标签，作为新的训练样本，对一个已有的卷积神经网络模型进行fine-tune，这个卷积神经网络模型与前面提取特征的网络模型必须有一定差异(模型结构和训练数据都不同)。利用这个新的模型，对目标样本进行识别，得到其类别置信度。如果某个样本在所属类别上置信度很低，则将该样本作为不相关样本予以筛除。

经过以上筛选之后，最终得到的目标样本经过人工简单校验，就可以作为高质量样本集用于训练和测试。

转载链接

https://www.51cto.com/article/543401.html