【技术实现步骤摘要】
本申请涉及图像分类，特别是涉及一种面向连续测试场景的图像分类方法、装置和计算机设备。
技术介绍
1、应用于图像分类的深度学习模型训练通常基于一个基础的假设，即模型源域(训练集)和目标域(测试集)中的图像数据是独立同分布的，然而，在实际应用中，这种iid假设过于强大，使得训练好的图像分类模型在测试阶段往往表现很差。具体而言，在真实世界中，图像数据分布是动态演化的，这使得预训练好的确定性模型难以应对连续变化的测试任务。例如，在训练图像数据集中，狗的图片通常是草地背景，这是由狗经常活动区域为草地所引起的虚假关联。该图像分类模型将依赖于狗经常活动区域为草地所引起的虚假关联来进行未来预测。当在狗图片但不包含草背景的测试设置中使用图像分类模型时，就可能会出现误判情况。这个例子说明只要测试分布与训练分布不同，独立同分布假设就会失效。
2、为了解决这个问题，研究人员最近提出了测试时间域适配的概念来增强图像分类模型对现实世界图像数据变化的适应能力。测试时适应只使用目标域图像分类数据和源域预训练模型参数来在线调整图像分类模型，适用于应对域转移下...
【技术保护点】
1.一种面向连续测试场景的图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述噪声为均匀分布噪声；
3.根据权利要求1所述的方法，其特征在于，所述噪声为高斯分布噪声；
4.根据权利要求2或3所述的方法，其特征在于，图像的归一化参数的计算公式如下：
5.根据权利要求1所述的方法，其特征在于，训练所述图像分类模型的步骤包括：
6.一种面向连续测试场景的图像分类装置，其特征在于，所述装置包括：
7.根据权利要求6所述的方法，其特征在于，图像分类模块还用于向图像分类模型...
【技术特征摘要】
1.一种面向连续测试场景的图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述噪声为均匀分布噪声；
3.根据权利要求1所述的方法，其特征在于，所述噪声为高斯分布噪声；
4.根据权利要求2或3所述的方法，其特征在于，图像的归一化参数的计算公式如下：
5.根据权利要求1所述的方法，其特征在于，训练所述图像分类模型的步骤包括：
6.一种面向连续测试场景的图像分类装置，其特征在于，所述装置包括：
7.根据权利要求6所...
【专利技术属性】
技术研发人员：周鋆，杨昊，姜晋珅，朱先强，朱承，张维明，
申请(专利权)人：中国人民解放军国防科技大学，
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。