【技术实现步骤摘要】
本专利技术属于图像分类，更为具体地讲，涉及一种基于类引导元学习的无源域适应的图像分类方法。
技术介绍
1、深度神经网络已成功地在各种应用中展示了高性能。然而，如果训练和测试数据的分布不同，则会发生显著的性能下降，这被称为域偏移。无监督域适应图像分类在假设两个域中的数据分布不同的情况下，利用完全标注的源数据图像和未标注的目标图像数据来缓解域移位问题，所有传统的无监督域适应图像分类方法都假设源数据和对应标签两者的可用性。然而，这在一些情况下可能是不切实际的。首先，对数据隐私和安全的日益担忧迫使公司只发布目标图像数据，无法获取源数据图像。第二，当源数据图像比目标数据图像大得多时，需要许多资源来训练模型。无源域自适应旨在使预训练的源模型适应未标记的目标域，而无需访问标记良好的源数据，这种应用场景较传统的无监督域适应更为普遍。
2、现有的无源域自适应图像分类方法主要分为两大类，一类是数据生成的方式，基于数据生成方法的目的是重建源域，以补偿缺失的源域数据，从而使无监督域适应方法可以扩展到无源域自适应图像分类方法。而生成模型的训练通常是复...
【技术保护点】
1.一种基于类引导元学习的无源域适应的图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像分类方法，其特征在于，所述步骤S5中伪标签采用如下方法确定：
3.根据权利要求1所述的图像分类方法，其特征在于，所述步骤S6中伪标签校正方法的具体步骤如下：
4.根据权利要求1所述的图像分类方法，其特征在于，所述步骤S7中元学习模型训练过程中双层优化任务的表示式如下：
【技术特征摘要】
1.一种基于类引导元学习的无源域适应的图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像分类方法，其特征在于，所述步骤s5中伪标签采用如下方法确定：
3.根据权利...
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。