基于多阶段分类器网络的跨域多视角目标检索方法及装置制造方法及图纸

本发明专利技术公开了一种基于多阶段分类器网络的跨域多视角目标检索方法及装置，相比于传统方法过度依赖静态的具有较高复杂度学习器，本发明专利技术考虑了不同样本间可转移性的差异，通过在网络中加入多个中间分类器，在训练中根据样本不同阶段特征动态地判断样本是否“容易”转移。通过样本在不同分类器前特征进行相似性度量来计算置信度分数这一策略判断各分类器的预测一致性，并得到准确的目标伪标签；同时在保证输入类别多样性的前提下重新对目标样本筛选以训练从源域到目标域的多阶段分类器。在针对多视图表示的三维模型跨域检索上，通过融合不同分类器前的特征以获取样本特征的全局表示。基于以上操作能够在传统检索指标上获得更好的性能，提升检索效果。提升检索效果。提升检索效果。

【技术实现步骤摘要】
基于多阶段分类器网络的跨域多视角目标检索方法及装置


[0001]本专利技术涉及域适应与深度学习
，尤其涉及一种基于多阶段分类器网络的跨域多视角目标检索及装置。

技术介绍

[0002]随着三维模型的应用日益广泛以及三维模型建模技术的快速发展，产生了海量的三维模型数据。如何在大量重复的三维模型数据中进行模型数据库的管理以及有效的检索逐渐成为人们的需求，高效的三维模型检索算法成为了当下研究的热点。
[0003]当前深度神经网络在二维图像上的分类识别技术已经十分成熟，通过大量有标记的二维图像上学习到的知识来跨域检索三维模型成了许多学者研究的热点。其中基于视图的三维模型检索方法将三维模型转化为二维投影视图，以多视图特征融合的全局描述子通过深度神经网络来进行分类或检索是当下最热门的研究方向之一。例如：有的方法在网络最后一个池化层对多视图特征进行融合以获得信息更为丰富的特征；有的方法在前者基础上对视图增加了分组操作；还有的方法通过图卷积网络将视图聚合。由于深度神经网络针对二维图像的处理技术比较成熟，大量带有真实标签的二维图像数据能使网络充分地进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多阶段分类器网络的跨域多视角目标检索方法，其特征在于，所述方法包括：将源域二维图像数据与目标域三维模型数据一同输入进多分类器网络中进行训练；选择带有高置信度伪标签的目标数据，利用目标数据再次训练多分类器网络获得更好的域适应性能；通过再次训练后的新多分类器网络分别对源域及目标域的数据提取特征，获取源域数据集的全部样本在第n个分类器前的特征集合表示；目标域每个样本都包含若干张二维视图，在新多分类器网络的前一层对属于同一样本的视图特征进行融合，获取单个目标域样本的特征；将新多分类器网络的前特征向量计算得到的矩阵进行相加，将样本的不同细粒度特征进行融合，实现对跨域多视角目标的检索。2.根据权利要求1所述的一种基于多阶段分类器网络的跨域多视角目标检索方法，其特征在于，所述选择带有高置信度伪标签的目标数据具体为：对于给定的目标样本，通过二维多视图数据的集合来表示目标样本，计算每个视图在所有分类器的预测平均值作为该样本视图的平均预测，并用余弦相似度来衡量每个分类器预测结果与平均预测之间的一致性；单一视图的置信度分数计算如下：3.根据权利要求1所述的一种基于多阶段分类器网络的跨域多视角目标检索方法，其特征在于，所述方法还包括：通过计算目标类别累计的...

【专利技术属性】
技术研发人员：张静，马明升，李文辉，刘安安，苏育挺，
申请(专利权)人：天津大学，
类型：发明
国别省市：