【技術實現步驟摘要】
本專利技術涉及圖像分類，尤其是涉及一種基于潛在域和類別多樣性的圖像分類方法及系統。
技術介紹
1、隨著深度神經網絡在圖像分類、視頻分析和圖像語義分割等計算機視覺任務中的成功應用，如何在沒有標注數據的目標域中實現高效模型遷移成為了亟待解決的問題。傳統的有監督學習方法依賴于大規模帶標簽數據進行訓練，當模型應用于與訓練集分布不一致的目標域時，性能往往大幅下降。為此，無監督域自適應（uda）應運而生，其目的是通過源域帶標簽數據訓練的模型在無標簽的目標域上保持高泛化性。然而，由于源域與目標域分布差異顯著，如何提取有效的跨域不變特征是uda領域的主要挑戰之一。
2、目前，主流的uda方法主要包括基于對抗網絡的域混淆方法和基于度量的域對齊方法。然而，這些方法要么無法提升特征的區分度，要么無法有效地捕捉類別級別的跨域差異。此外，已有研究還探索了通過生成對抗網絡（gan）生成中間圖像來作為源域和目標域的橋梁，但此類方法往往忽略了域間特征的結構性信息，從而影響了對齊效果。盡管已有方法引入了中間域來緩解源域和目標域的分布差異，但往往忽略了類別多樣性和特征結構的連貫性，從而影響跨域識別效果。
3、在圖像分類任務中，類別多樣性最大化是實現模型泛化的重要策略。通過促進模型生成具有豐富類別分布的預測，能夠顯著提升模型對不同類別樣本的區分能力。為此，亟需提出一種基于潛在域和類別多樣性的圖像分類方法，通過構建潛在域逐步對齊源域和目標域的分布，同時最大化類別多樣性，進一步提升模型的跨域分類性能，提高圖像分類精確度。
<
1、為了解決上述提到的問題，本專利技術提供一種基于潛在域和類別多樣性的圖像分類方法及系統。通過生成結構一致的潛在域來縮小源域和目標域之間的分布差異，最大化類別多樣性，實現精確的跨域對齊。
2、第一方面，本專利技術提供的一種基于潛在域和類別多樣性的圖像分類方法，采用如下的技術方案：
3、一種基于潛在域和類別多樣性的圖像分類方法，包括：
4、獲取圖像數據，包括獲取源域和目標域的圖像數據；
5、對源域和目標域的圖像數據進行預處理；
6、構建域自適應圖像分類模型；
7、對構建的域自適應圖像分類模型進行模型訓練；
8、利用訓練好的域自適應圖像分類模型進行圖像分類。
9、進一步地，所述獲取源域和目標域的圖像數據，包括獲取帶標簽的圖像數據集作為源域數據，用于訓練模型；獲取無標簽的圖像數據集作為目標域數據，用于測試模型的泛化能力，其中，源域數據存放在目錄結構下，每個子目錄代表一個類別，每個類別下有多張圖像，目標域數據只包含輸入圖像。
10、進一步地，所述對源域和目標域的圖像數據進行預處理，包括調整圖像數據的大小，并對圖像進行數據增強，以及對增強后的圖像進行圖像，裁剪和圖像縮放，最后通過歸一化使圖像中的像素值分布符合標準正態分布。
11、進一步地，所述構建域自適應圖像分類模型，包括構建一個潛在域，以連接源域和目標域，利用最大均值差異mmd來計算潛在域和目標域的全局分布差異，從而得到域級對齊損失，同時通過最大化預測分布的熵來鼓勵類別平衡，最后通過小批次的方式進行類一致的偽標簽生成，以增強類別一致性。
12、進一步地，所述構建域自適應圖像分類模型，還包括使用監督學習和熵損失來優化源域和目標域的模型參數，其中，對于源域的數據，采用監督學習方法來訓練分類器，對于目標域的數據，采用熵損失來最大化模型預測的不確定性，即熵。
13、進一步地，所述對構建的模型進行訓練，包括利用源域的圖像數據對模型進行初始訓練，通過最小化源域分類損失，使模型獲得對源域特征的分類能力；再引入潛在域生成、類級別對齊、域級別對齊和類別多樣性最大化策略，對模型進行聯合優化。
14、進一步地，所述利用訓練好的模型進行圖像分類，包括使用經過訓練的模型對目標域的圖像樣本進行推理，其中，將目標域樣本圖像的特征首先映射至模型的分類頭，通過分類頭的多層網絡結構輸出類別概率分布，根據最大概率值確定樣本的類別標簽，由于標域沒有類別標簽，在對目標域進行圖像分類時使用偽標簽，其中偽標簽生成基于目標域數據的預測概率分布。
15、第二方面，一種基于潛在域和類別多樣性的圖像分類系統，包括：
16、數據獲取模塊，被配置為，獲取圖像數據，包括獲取源域和目標域的圖像數據；
17、預處理模塊，被配置為，對源域和目標域的圖像數據進行預處理；
18、模型構建模塊，被配置為，構建域自適應圖像分類模型；
19、模型訓練模塊，被配置為，對構建的域自適應圖像分類模型進行模型訓練；
20、圖像分類模塊，被配置為，利用訓練好的域自適應圖像分類模型進行圖像分類。
21、第三方面，本專利技術提供一種計算機可讀存儲介質，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行所述的一種基于潛在域和類別多樣性的圖像分類方法。
22、第四方面，本專利技術提供一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行所述的一種基于潛在域和類別多樣性的圖像分類方法。
23、綜上所述，本專利技術具有如下的有益技術效果：
24、本專利技術通過生成潛在域來逐步對齊源域和目標域的分布差異，采用類級別和域級別的多層次對齊策略，使源域、潛在域和目標域在特征分布上實現一致性，顯著提高了模型在跨域分類任務中的精度。同時，本專利技術引入基于熵的類別多樣性損失項，防止目標域類別分布不均衡問題，增強了模型的類別區分能力和泛化能力。此外，類別驅動的小批次域翻譯模塊（cdbdt）在小批次級別生成類一致的偽標簽，確保潛在域實例的類別一致性，從而提升了模型對類別結構的識別能力和跨域適應性。采用無監督領域適應技術，目標域無需人工標注，大幅降低了數據標注成本，使得該方法適用于多種無標注場景。通過整合源域分類損失、類級和域級對齊損失及類別多樣性損失的聯合訓練策略，本專利技術顯著提升了模型的訓練效率和穩定性。綜上所述，本專利技術在無監督領域適應的圖像分類任務中表現出色，具備較強的泛化能力、精度和應用價值。
本文檔來自技高網...【技術保護點】
1.一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，包括：
2.根據權利要求1所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述獲取源域和目標域的圖像數據，包括獲取帶標簽的圖像數據集作為源域數據，用于訓練模型；獲取無標簽的圖像數據集作為目標域數據，用于測試模型的泛化能力，其中，源域數據存放在目錄結構下，每個子目錄代表一個類別，每個類別下有多張圖像，目標域數據只包含輸入圖像。
3.根據權利要求2所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述對源域和目標域的圖像數據進行預處理，包括調整圖像數據的大小，并對圖像進行數據增強，以及對增強后的圖像進行圖像，裁剪和圖像縮放，最后通過歸一化使圖像中的像素值分布符合標準正態分布。
4.根據權利要求3所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述構建域自適應圖像分類模型，包括構建一個潛在域，以連接源域和目標域，利用最大均值差異MMD來計算潛在域和目標域的全局分布差異，從而得到域級對齊損失，同時通過最大化預測分布的熵來鼓勵類別平衡，最后通過小批次的方式進行類一
5.根據權利要求4所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述構建域自適應圖像分類模型，還包括使用監督學習和熵損失來優化源域和目標域的模型參數，其中，對于源域的數據，采用監督學習方法來訓練分類器，對于目標域的數據，采用熵損失來最大化模型預測的不確定性，即熵。
6.根據權利要求5所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述對構建的模型進行訓練，包括利用源域的圖像數據對模型進行初始訓練，通過最小化源域分類損失，使模型獲得對源域特征的分類能力；再引入潛在域生成、類級別對齊、域級別對齊和類別多樣性最大化策略，對模型進行聯合優化。
7.根據權利要求6所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述利用訓練好的模型進行圖像分類，包括使用經過訓練的模型對目標域的圖像樣本進行推理，其中，將目標域樣本圖像的特征首先映射至模型的分類頭，通過分類頭的多層網絡結構輸出類別概率分布，根據最大概率值確定樣本的類別標簽，由于標域沒有類別標簽，在對目標域進行圖像分類時使用偽標簽，其中偽標簽生成基于目標域數據的預測概率分布。
8.一種基于潛在域和類別多樣性的圖像分類系統，其特征在于，包括：
9.一種計算機可讀存儲介質，其中存儲有多條指令，其特征在于，所述指令適于由終端設備的處理器加載并執行如權利要求1所述的方法。
10.一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，其特征在于，所述指令適于由處理器加載并執行如權利要求1所述的方法。
...【技術特征摘要】
1.一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，包括：
2.根據權利要求1所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述獲取源域和目標域的圖像數據，包括獲取帶標簽的圖像數據集作為源域數據，用于訓練模型；獲取無標簽的圖像數據集作為目標域數據，用于測試模型的泛化能力，其中，源域數據存放在目錄結構下，每個子目錄代表一個類別，每個類別下有多張圖像，目標域數據只包含輸入圖像。
3.根據權利要求2所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述對源域和目標域的圖像數據進行預處理，包括調整圖像數據的大小，并對圖像進行數據增強，以及對增強后的圖像進行圖像，裁剪和圖像縮放，最后通過歸一化使圖像中的像素值分布符合標準正態分布。
4.根據權利要求3所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述構建域自適應圖像分類模型，包括構建一個潛在域，以連接源域和目標域，利用最大均值差異mmd來計算潛在域和目標域的全局分布差異，從而得到域級對齊損失，同時通過最大化預測分布的熵來鼓勵類別平衡，最后通過小批次的方式進行類一致的偽標簽生成，以增強類別一致性。
5.根據權利要求4所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述構建域自適應圖像分類模型，還包括使用監督學習和熵損失來優化源域和目標域的模型參數，其中，對于...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。