【技术实现步骤摘要】
无源域无监督域适应的图像分类方法、系统、设备及介质
[0001]本专利技术涉及图像分类
,尤其涉及一种无源域无监督域适应的图像分类方法、系统、设备及介质。
技术介绍
[0002]近几年,使用深度神经网络处理各类机器学习问题卓有成效,然而其优异的性能很大程度上依赖于大量的高质量有标注的数据集。高额的时间成本和人力成本却让人工标注数据集不切实际。传统深度学习方法也因领域偏移问题而无法很好地泛化到新的数据集上。对此,域适应利用在有大量标注样本的源域上学习的知识来帮助模型在另一个与源域相关但缺乏标注的目标域上的学习,通过减小领域偏移,能够节约标注成本。通常的域适应学习方法假设源域数据和目标域数据同时可见,但是在实际场景中,由于数据隐私等问题,源域数据只能用来训练源域模型,而不能共享给目标域训练,因此在目标域数据训练时,只有源域模型而没有源域数据,这一问题称为无源域适应(Source
‑
free Domain Adaptation)。
[0003]有源域适应方法通常基于域间差异度量或领域对抗学习来减小跨域分布的差异,这些方法需要源域数据和目标域数据同时存在,因此在无源域适应设置下不具有适用性。公开号为CN114332787A的中国专利技术专利申请《无源域无监督域自适应车辆再识别方法》在车辆再识别过程中,通过源域模型和目标域数据,利用关系保持一致损失和知识蒸馏损失训练一个生成器,目的是生成具有源域风格的伪目标样本,然后利用伪目标样本对模型进行微调,从而提升模型性能;其不再使用源域数据,而是利用隐含 ...
【技术保护点】
【技术特征摘要】
1.一种无源域无监督域适应的图像分类方法,其特征在于,包括:在源域模型训练过程中对跨域一致的语义相似性进行显式建模,获得表示类别关系的语义相似性矩阵;基于训练后的源域模型构建教师模型与学生模型,每一目标域图像经过不同方式的增强处理后分别输入至教师模型与学生模型获得对应的预测概率,利用学生模型获得的预测概率作为查询样本,采用若干不同方式结合学生模型或者教师模型获得的预测概率构造正负样本,并结合所述语义相似性矩阵计算出相应的对比损失,综合所有对比损失更新所述学生模型的参数,并基于更新后的学生模型参数更新所述教师模型的参数;将待分类的图像输入至训练后的学生模型中,获得图像分类结果。2.根据权利要求1所述的一种无源域无监督域适应的图像分类方法,其特征在于,所述在源域模型训练过程中对跨域一致的语义相似性进行显式建模,获得表示类别关系的语义相似性矩阵包括:利用源域图像数据训练所述源域模型,训练过程中对跨域一致的语义相似性进行显式建模,通过基于迹范数的正则化约束实现语义相似性矩阵与源域模型中分类器参数的联合优化,训练过程中的损失包含分类损失与基于迹范数的正则化约束;训练完毕后,获得各类别之间的语义相似性矩阵,语义相似性矩阵中每个元素表示不同类别之间的相似性。3.根据权利要求1所述的一种无源域无监督域适应的图像分类方法,其特征在于,所述利用学生模型获得的预测概率作为查询样本,采用若干不同方式结合学生模型或者教师模型获得的预测概率构造正负样本,并结合所述语义相似性矩阵计算出相应的对比损失包括:根据教师模型输出的预测概率筛选出相应目标域图像,筛选出的相应目标域图像经增强处理后通过学生模型获得的预测概率作为查询样本,将查询样本对应目标域图像经增强处理后通过教师模型获得的预测概率作为伪标签,将伪标签对应独热向量形式的概率向量作为正样本,除去伪标签对应类别之外的其他类别对应的独热向量形式的概率向量作为负样本,利用查询样本、正样本与负样本,并结合所述语义相似性矩阵计算基于伪标签的噪声鲁棒对比损失。4.根据权利要求1所述的一种无源域无监督域适应的图像分类方法,其特征在于,所述利用学生模型获得的预测概率作为查询样本,采用若干不同方式结合学生模型或者教师模型获得的预测概率构造正负样本,并结合所述语义相似性矩阵计算出相应的对比损失包括:将同一目标域图像经过不同方式的增强处理后分别经过学生模型与教师模型获得对应的预测概率,将学生模型获得的预测概率作为查询样本,将教师模型获得的预测概率作为正样本,将其他目标域图像经增强处理后通过教师模型获得的预测概率作为负样本,利用查询样本、正样本与负样本,并结合所述语义相似性矩阵计算基于单个样本的对比损失。5.根据权利要求1所述的一种无源域无监督域适应的图像分类方法,其特征在于,所述利用学生模型获得的预测概率作为查询样本,采用若干不同方式结合学生模型或者教师模型获得的预测概率构造正负样本,并结合所述语义相似性矩阵计算出相应的对比损失包括:将每一目标域图像经过增强处理后分别输入学生模型,通过特征提取与分类预测,获
得对应...
【专利技术属性】
技术研发人员:王子磊,张燚鑫,贺伟男,
申请(专利权)人:合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。