【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预训练模型在下游场景表现不佳的问题。值得强调的是，现有的测试时适应主要考虑目标域是静态的情况，然而现实世界的机器系统运行在非静态和不断变化的环境中，其中目标域分布随时间变化且所处运行环境变化可能是周期性的。
3、测试时适应的目标是在不增加图像数据收集或标记成本的情况下，解决测试和训练数据之间的分布差异。与需要源域有标签数据和目标域无标签数据的其他域迁移解决方案如域适应不同，tta不依赖
4、批量归一化(bn)成为当前图像分类模型架构的重要组成部分。它旨在解决图像分类模型训练中的一个常见挑战：即网络的多层结构可能会放大初级参数的微小调整。参数分布的变化会影响每层的输入，需要对后续层进行调整，增加了训练的复杂性。这种由于权重调整引起的网络内部节点数据分布的变化被称作内部变量偏移。bn通过规范化网络输入的分布来稳定训练过程，有效解决内部变量偏移问题，提高训练图像分类模型时的鲁棒性和稳定性。图像分类模型的全批次训练常常需要大量内存和时间资源，因此模型训练通常采用小批量分割方法，批量归一化就是基于这种方式进行计算的。
5、一种轻量级的测试时间适应方法是在进行bn的过程中，用当前测试批次的统计数据替代训练时的统计数据。当前的tta算法主要依赖于通过使测试样本批次适应测试数据来重新校准bn层。一些学术研究利用测试时熵最小化技术来消除预测中的不一致特性。此外，测试熵最小化(tent)技术被用作微调源模型而不进行明确的域对齐。该方法包括通过熵最小化调整batchnorm层的可训练参数，使源模型更好地适应目标测试数据。tent证明了目标域适应的可行性。cotta一种针对连续测试时间设计的适应方法，旨在适应动态变化的目标环境。这种方法通过改善平均预测和实现随机恢复策略来达成目标。然而，cotta在非循环环境中工作，并且在适应过程中需要更新整个模型，这导致了显著的计算量增加，增加了整体的计算成本。
技术实现思路
1、基于此，有必要针对上述技术问题，提供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，专门分析连续循环测试的时间域适应设置，可确保源预训练图像分类模型与目标域的无缝集成，无需重新配置目标模型的架构，为域适配提供了一种更高效、资源消耗更少的解决方案。
2、一种面向连续测试场景的图像分类方法，所述方法包括：
3、获取预先训练好的图像分类模型；
4、将待分类的图像输入所述图像分类模型，并向图像分类模型中的批归一化层中引入矩阵式噪声，得到图像分类结果。
5、一种面向连续测试场景的图像分类装置，所述装置包括：
6、模型获取模块，用于获取预先训练好的图像分类模型；
7、图像分类模块，用于将待分类的图像分批次输入所述图像分类模型，并向图像分类模型中的批归一化层中引入矩阵式噪声，得到图像分类结果。
8、上述面向连续测试场景的图像分类方法、装置和计算机设备，首先，提出了一种连续循环测试时域自适应设置，如图1所示，其中预训练好的图像分类模型在连续且循环的测试环境中进行实际测试。其次，为了缓解图像分类模型在连续测试场景下可能存在的过拟合问题，探索了连续循环测试场景中扰动噪声与图像分类模型泛化之间的关系，引入了一种轻便而有效的无参数方法，其将矩阵级的扰动噪声添加到批量归一化统计参数中，可以更好地完成域转移下源预训练模型适应目标域的图像分类任务。
本文档来自技高网...【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中的批归一化层中引入矩阵式均匀分布噪声，具体如下：
8.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中的批归一化层中引入矩阵式高斯分布噪声，具体如下：
9.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计算图像的归一化参数，计算公式如下：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程
...【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。