[發明專利]域適應圖像分類網絡的訓練方法、系統、設備及存儲介質

有效

• 申請號: 202210258343.2
• 申請日: 2022-03-16
• 公開（公告）號: CN114332568B
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 王子磊;李俊杰
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;韓珂

本發明公開了一種域適應圖像分類網絡的訓練方法、系統、設備及存儲介質，引入對比學習將相同語義的特征聚類，解決域適應圖像分類任務在目標域標簽不足的問題；本發明將特征對比學習改進為概率對比學習，通過在概率空間進行對比學習，減小聚類后的同語義特征與類權重之間的距離，提高分類的準確率；并且，僅添加了一個對比學習的損失（即總的概率對比損失），并未添加復雜的附加模塊，參數量與之前的方法相比沒有增加。總體來說，本發明在不添加其他附加模塊的情況下提升模型整體性能，能夠獲得更精確的圖像分類結果。

技術領域

本發明涉及圖像分類技術領域，尤其涉及一種域適應圖像分類網絡的訓練方法、系統、設備及存儲介質。

背景技術

近年來，以深度神經網絡為基礎的全監督學習策略已在圖像分類領域取得顯著成就。這類全監督學習算法需要訓練數據與測試數據分布相同。然而在實際應用中，訓練（源域）數據與測試（目標域）數據往往存在差異。域適應方法旨在將源域知識遷移到目標域，以解決上述問題。

一般而言，分類模型需要在盡可能的聚類相同的語義特征的同時使其在特征空間中分布于分類權重附近。對于無監督及半監督域適應任務，由于目標數據缺乏監督信息，目標域特征難以按照語義聚類。而基于InfoNCE損失的實例對比學習方法能夠有效的在語義層面上聚集相似的特征，同時具有良好的可遷移性。但是，直接應用基于InfoNCE損失的實例對比學習方法的增益非常有限，在一些具有強一致性約束的模型上甚至無明顯增益。究其原因，因為之前的對比學習方法，普遍使用分類器之前的特征計算對比損失，分類權重沒有參與到優化過程中，這類對比學習方法無法使特征分布于分類權重周圍。因此，訓練效果不佳，影響分類準確率。

在公開號為CN113673555A的中國專利申請《一種基于記憶體的無監督域適應圖片分類方法》中，使用神經網絡模型提取數據集中圖片的特征，使用聚類算法構建每一類特征的類內結構，并將其存儲到對應域的輔助記憶體中，以特征分布相似性作為約束條件迭代地訓練模型。在公開號為CN113610105A的中國專利申請《基于動態加權學習和元學習的無監督域適應圖像分類方法》中，將樣本加權后構造動態平衡因子，分別計算源域和目標域數據分布對齊程度和可判別性并進行歸一化處理，再使用元學習計算域對齊損失更新網絡參數和分類進行模型優化。在公開號為CN113469273A的中國專利申請《基于雙向生成及中間域對齊的無監督域適應圖像分類方法》中，使用雙向生成網絡生成偽目標域圖像和偽源域圖像，生成過程中由任務網絡提供監督信息提高生成圖像的質量，完成訓練后將偽圖像輸入分類網絡，在此過程中不斷縮減偽源域與源域圖像的分布差異，從而提高分類網絡的準確性。然而上述方法往往是通過添加額外的模塊來提高分類模型的準確率，因此模型的參數量較大，訓練時間較長，訓練效率也受到一定限制。

發明內容

本發明的目的是提供一種域適應圖像分類網絡的訓練方法、系統、設備及存儲介質，可以提升訓練效率，提高圖像分類的準確率。

本發明的目的是通過以下技術方案實現的：

一種域適應圖像分類網絡的訓練方法，包括：

獲取源域圖像集合，并根據訓練方式獲取目標域圖像集合；對目標域圖像集合中每一未標注的目標域圖像進行兩種不同的圖像變換，獲得的第一變換圖像與第二變換圖像構成一個目標域圖像對，由所述源域圖像集合、目標域圖像集合以及所有目標域圖像對構成訓練數據集；

將所述訓練數據集輸入至所述域適應圖像分類網絡；

根據訓練方式以及設定的損失類別，利用所述域適應圖像分類網絡特征提取器的輸出、分類器的輸出與softmax層的輸出中的一種或多種計算相應的類別損失，構成所述域適應圖像分類網絡的基線損失；