一种基于伪标签域适应的跨域图像分类方法技术

一种基于伪标签域适应的跨域图像分类方法，涉及图像处理。包括步骤：A、预训练深度模型；B、生成目标域图像伪标签；C、训练及优化深度模型。方法简单有效，能在多个自然图像数据集上获得较好效果。避免错误伪标签的影响，将伪标签样本加入训练集进一步训练网络可提高模型在目标域的辨别性，提高模型在目标域的泛化性能。通过交替给目标域打伪标签和采用伪标签样本训练网络，充分利用无标签的目标域数据，有效提升模型在目标域上的识别性能。改善利用深度学习模型进行自然图像识别时的泛化性能，提高跨数据库测试时的准确率和召回率，实用性强，可移植性强，能够满足域差异大、类别不均衡等情况下弱监督学习的需求。

【技术实现步骤摘要】
一种基于伪标签域适应的跨域图像分类方法
本专利技术涉及图像处理，尤其是涉及可改善利用深度学习模型进行自然图像识别时的泛化性能，提高跨数据库测试时准确率和召回率的一种基于伪标签域适应的跨域图像分类方法。
技术介绍
深度卷积网络将特征提取器和分类器结合在一起，通过端到端的训练方式学习到辨别性的特征。近年来，随着计算机计算能力和机器学习理论的快速发展，自然图像的识别准确率迅速提升，在大规模数据集(例如ImageNet数据集)(DengJ,DongW,SocherR,etal.Imagenet:Alarge-scalehierarchicalimagedatabase[C]//2009IEEEconferenceoncomputervisionandpatternrecognition.Ieee,2009:248-255)上深度卷积网络的识别性能远超越传统算法，甚至超越人类。然而深度学习服从独立同分布准则，当测试数据的分布与训练数据不同时，深度学习模型的性能会大幅度下降甚至没有辨别能力。在实际应用中，针对每个分布均收集数据，并且人工打标签，这是代价昂贵本文档来自技高网...

【技术保护点】
1.一种基于伪标签域适应的跨域图像分类方法，其特征在于包括以下步骤：/nA、预训练深度模型；/nB、生成目标域图像伪标签；/nC、训练及优化深度模型。/n

【技术特征摘要】
1.一种基于伪标签域适应的跨域图像分类方法，其特征在于包括以下步骤：
A、预训练深度模型；
B、生成目标域图像伪标签；
C、训练及优化深度模型。


2.如权利要求1所述一种基于伪标签域适应的跨域图像分类方法，其特征在于在步骤A中，所述预训练深度模型的具体步骤为：首先将通用模型改造为符合特定任务的模型，将通用模型的最后一层1000分类全连接层替换成重新初始化的C分类全连接层，将最后一层的学习率调整为前面层的10倍，然后采用源域样本训练改造后的模型，直至收敛。


3.如权利要求2所述一种基于伪标签域适应的跨域图像分类方法，其特征在于所述通用模型包括AlexNet、VGG、ResNet。


4.如权利要求1所述一种基于伪标签域适应的跨域图像分类方法，其特征在于在步骤B中，所述生成目标域图像伪标签的具体步骤为：
(1)将目标域DT送入模型，得到相应的预测其中是C维向量；
(2)若己知目标域的标签分布Q，则重新校准目标域的预测：



其中，表示点除，Normalization()表示L1...

【专利技术属性】
技术研发人员：黄悦，丁兴号，章云龙，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35