融合关系特征的半监督图像分类方法研究

半监督学习[1,2]是一种介于监督学习和无监督学习之间的学习方法，其基本思想是在训练少量标签样本的过程中引入大量无标签样本来解决监督学习由于标签样本不足所造成的模型退化问题。早期的半监督学习算法与深度学习的结合相对较少，随着深度学习在各界大放异彩，尤其在图像分类问题上超人类的识别率使得半监督学习与深度学习的结合成为一种必然趋势。

半监督深度学习的核心模型依然是卷积神经网络，不同模型的区别在于添加不同的先验假设来建立不同的损失函数。Sajjadi等[3]认为相同的样本在不同的扰动下，模型应该具有相同的输出（被称为“一致性正则化原则”）。因此将标签样本与无标签样本经过随机增强[4]、裁剪、随机池化等操作后输入模型中，强制模型对同一样本输出相同的预测类别。Laine等[5]将上述的一致性正则化原则建模为时序模型，认为模型在每次迭代的学习过程中都应该保持所谓的“一致性正则化”。Li等[6]与上述两篇文献的做法不同，将这种“一致性正则化”方法加入了模型的参数[7]之中，他们认为相同的样本在经过模型参数的随机扰动之后应该输出相同的类别。

综上所述，半监督图像分类算法主要围绕一致性原则进行建模，使用不同程度的数据增强、混合等操作强制对同类样本输出相同的预测结果，希望模型能够习得图像的本质特征。但这种建模方式仅在模型的端首与端尾进行操作，缺乏半监督模型的内部机理分析，使模型不具可解释性。

从本质上而言，半监督学习的建模思想描述为：首先建立所给样本的隐含“关系”，然后将标签样本的标签信息通过上述“关系”传递到无标签样本。而图卷积网络