基于对比学习与自相关增量学习的多目标域自适应方法技术

本发明专利技术提出基于对比学习与自相关增量学习的多目标域自适应方法，包括：利用特征提取器分别获取源域数据和第一个目标域数据的对比损失，利用分类器获取源域数据的交叉熵损失；优化对比损失和交叉熵损失，进行源域数据和第一个目标域数据的对齐；基于完成对齐后的特征提取器，进行共享权重参数，获取训练后的特征提取器和分类器；构建单源目标域自适应图像分类且保证分类性能的分类模型，对目标域进行分类。本发明专利技术在每个域内通过对样本进行数据增强获得其正样本，其他样本为其负样本，通过最小化对比学习损失来拉近源域和目标域，加入了增量学习模块保证了学习到多个目标域的域不变知识，通过源域得到的自相关损失保证了一对多过程分类的准确性。对多过程分类的准确性。对多过程分类的准确性。

【技术实现步骤摘要】
基于对比学习与自相关增量学习的多目标域自适应方法


[0001]本专利技术涉及迁移学习的图像分类
，尤其涉及基于对比学习与自相关增量学习的多目标域自适应方法。

技术介绍

[0002]在过去几年中，深度学习(DL)已经成功地应用于许多应用和领域，这是由于大量标记数据的可用性，如计算机视觉和图像处理、信号处理、自动驾驶、农业食品技术、医学成像等。DL技术的大多数应用，例如前面提到的那些，都涉及监督学习，它需要手动标记数据集，这是一个非常耗时、麻烦且昂贵的过程，导致某些数据集(例如ImageNet)被广泛用于模型预训练。由于未标记的数据在很大程度上是可用的，并且不太容易出现标记偏差问题，因此它们倾向于提供独立于特定领域样式的视觉信息。如今，自我监督的视觉表征学习已经在很大程度上缩小了与监督学习方法的差距，在某些情况下甚至超过了监督学习方法。对比学习是一种日益流行的最突出的自我监督视觉表示学习技术，其目的是通过对比语义上的正和负样本对来学习嵌入空间。
[0003]然而，这些自我监督的视觉表示学习技术是否能够有效地应用于领域自适应还没有得到令本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于对比学习与自相关增量学习的多目标域自适应方法，其特征在于，包括：利用特征提取器，分别获取源域数据和第一个目标域数据的对比损失，以及利用分类器C，获取所述源域数据的交叉熵损失；优化所述对比损失和交叉熵损失，进行源域数据和第一个目标域数据的对齐；基于完成对齐后的特征提取器，进行共享权重参数，获取训练后的特征提取器和分类器C；基于训练后特征提取器和分类器C，构建单源目标域自适应图像分类且保证分类性能的分类模型，基于所述分类模型对目标域进行分类。2.根据权利要求1所述的基于对比学习与自相关增量学习的多目标域自适应方法，其特征在于，分别获取源域数据和第一个目标域数据的对比损失包括：设置两个特征提取器；其中，两个所述特征提取器的初始权重相同，第一特征提取器作为当前训练的特征提取器G，第二特征提取器作为增量学习模块的特征提取器M；将所述源域数据和第一个目标域数据进行随机数据增强，将增强后的数据输入所述特征提取器G，并分布计算源域数据和第一个目标域数据的对比损失。3.根据权利要求1所述的基于对比学习与自相关增量学习的多目标域自适应方法，其特征在于，所述对比损失和交叉熵损失为：其中，为源域数据的对比损失，为第一个目标域数据的对比损失，L
ce
为交叉熵损失，L
total
为优化的总损失，包括上述的两个域的对比损失以及源域交叉熵损失，通过优化L
total
,可以完成源域和当前目标域的特征对齐。4.根据权利要求2所述的基于对比学习与自相关增量学习的多目标域自适应方法，其特征在于，进行共享权重参数包括：将完成源域数据和第一个目标域数据对齐的特征提取器G的权重参数，保存给特征提取器M。5.根据权利要求2所述的基于对比学习与自相关增量学习的多目标域自适应方法，其特征在于，获取训练后的特征提取器和分类器C包括：(1)对所述源域数据和下一个目标域数据进行随机数据增强，将增强后的数据输入所述特征提取器G，获取特征G(S)和G(T
...

【专利技术属性】
技术研发人员：卫星，闻斌，杨帆，赵冲，翟琰，陆阳，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：