[發明專利]一種基于偽標簽域適應的跨域圖像分類方法

有效

• 申請號: 202110025651.6
• 申請日: 2021-01-08
• 公開（公告）號: CN112766334B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 黃悅;丁興號;章云龍
• 申請（專利權）人: 廈門大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門南強之路專利事務所(普通合伙) 35200
• 代理人: 馬應森

1.一種基于偽標簽域適應的跨域圖像分類方法，其特征在于包括以下步驟：

A、預訓練深度模型；

B、生成目標域圖像偽標簽，具體步驟為：

(1)將目標域D_T送入模型，得到相應的預測其中是C維向量；

(2)若已知目標域的標簽分布Q，則重新校準目標域的預測：

其中，表示點除，Normalization()表示L1歸一化，進一步得到預測類別和對應的置信度若目標域的標簽分布Q不可知，則采用源域的標簽分布或者均勻分布代替；

(3)從目標域樣本篩選出置信度最高的k％的目標域樣本作為偽標簽樣本，k＝min(k₀+r*dk,k_max),其中k₀為初始篩選比例、r為當前訓練的回合數、dk為每回合增加的篩選比例、k_max是最大篩選比例；隨著回合數的增加，篩選更多的目標域樣本作為偽標簽樣本；

C、訓練及優化深度模型，具體步驟為：

(1)對源域樣本進行數據增擴；

(2)在訓練過程中對偽標簽樣本采用mixup的數據增擴方式，對兩張偽標簽樣本進行凸組合，同時將對應的標簽進行凸組合，作為合成圖像的標簽；

(3)采用源域樣本和合成樣本訓練模型，在訓練過程中，采用交叉熵作為損失函數。

2.如權利要求1所述一種基于偽標簽域適應的跨域圖像分類方法，其特征在于在步驟A中，所述預訓練深度模型的具體步驟為：首先將通用模型改造為符合特定任務的模型，將通用模型的最后一層1000分類全連接層替換成重新初始化的c分類全連接層，將最后一層的學習率調整為前面層的10倍，然后采用源域樣本訓練改造后的模型，直至收斂。

3.如權利要求2所述一種基于偽標簽域適應的跨域圖像分類方法，其特征在于所述通用模型包括AlexNet、VGG、ResNet。

4.如權利要求1所述一種基于偽標簽域適應的跨域圖像分類方法，其特征在于在步驟C第(1)部分中，所述數據增擴的方法包括將圖像的大小調整為256×256、隨機水平翻轉圖像、從圖像中隨機裁剪出224×224的圖像塊。