【技术实现步骤摘要】
本申请涉及图像分类，特别是涉及一种基于重采样与对比学习的图像分类方法及系统。
技术介绍
1、广义类别发现问题是半监督分类问题（利用无标签数据改善分类性能）的一个子问题，该研究放宽了半监督学习的约束，其假设在未标记的数据集中包含了不同于已标记数据集的类别样本。在测试阶段，需要对已知类别进行准确分类的同时，要有效地将未知类别的样本归入新的簇中。
2、现有技术可以通过传统半监督分类算法来学习分类，第一种现有技术采取的固定阈值，筛选高置信度伪标签进行监督学习。而该方法在前期过滤了过多的样本，导致对无标签数据利用率低，模型收敛慢。此外，没有考虑不平衡分布问题以及无标签数据和测试集出现未知类别的情况，简单采用半监督学习方法会导致难以发掘新类信息。第二种现有技术提出通过基于未标记数据的当前估计类别分布采用线性和语义伪标签的动态组合来处理不平衡分布问题，对少数类表现出了强大的泛化能力。然而，这种假设在现实世界的应用中经常被违反，例如，标记和未标记的数据是从不同的任务收集的。未标记的数据可能与标记的数据有很大的类别分布差距，并且使用错误的类分...
【技术保护点】
1.一种图像分类模型，其特征在于，包括：主干网络、特征提取器和输出单元；
2.根据权利要求1所述的图像分类模型，其特征在于，所述主干网络为transformer网络，所述特征提取器至少包括投影头。
3.一种基于重采样与对比学习的图像分类方法，基于权利要求1或2所述的图像分类模型实现，其特征在于，包括以下步骤：
4.根据权利要求3所述的基于重采样与对比学习的图像分类方法，其特征在于，所述图像分类模型为训练好的图像分类模型，在对图像分类模型进行训练时，图像分类模型还包括：分类器，所述分类器用于将主干网络输出的图像特征转化为图像特征对应的
【技术特征摘要】
1.一种图像分类模型，其特征在于，包括：主干网络、特征提取器和输出单元；
2.根据权利要求1所述的图像分类模型，其特征在于，所述主干网络为transformer网络，所述特征提取器至少包括投影头。
3.一种基于重采样与对比学习的图像分类方法，基于权利要求1或2所述的图像分类模型实现，其特征在于，包括以下步骤：
4.根据权利要求3所述的基于重采样与对比学习的图像分类方法，其特征在于，所述图像分类模型为训练好的图像分类模型，在对图像分类模型进行训练时，图像分类模型还包括：分类器，所述分类器用于将主干网络输出的图像特征转化为图像特征对应的伪标签；
5.根据权利要求4所述的基于重采样与对比学习的图像分类方法，其特征在于，所述分类损失包括监督交叉熵损失和伪标签指导的交叉熵损失；
6.根据权利要求4所述的基于重采样与对比学习的图像分类方法，其特征在于，所述对比损失的表达式包括：
7.根据权利要求4所述的基于重采样与对...
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。