【技術實現步驟摘要】
本專利技術屬于計算機視覺，具體涉及一種基于測試時間自適應的圖像分類方法。
技術介紹
1、深度學習網絡的出現，尤其是卷積神經網絡（cnn）的興起，極大地推動了計算機視覺領域的發展，并在多個方面取得了顯著的成功。例如，在目標檢測領域，以區域卷積神經網絡（r-cnn）和yolo為代表的模型，能夠實時地在圖像中定位和識別多個對象，在視頻監控、自動駕駛汽車和人臉識別等應用中發揮了關鍵作用；在圖像分割任務中，深度學習模型能夠精確地識別和區分圖像中的每個像素，這對于醫療影像分析、衛星圖像處理和增強現實等領域具有重大意義；在農業領域，深度學習的應用正變得越來越廣泛，它在提高農業生產效率、監控作物健康、優化資源利用以及預測作物產量等方面發揮著重要作用；鑒于此，圖像分類等相關領域的研究具有極其重要的價值和現實意義；
2、深度學習網絡模型通常在訓練與測試數據在滿足獨立同分布的假設條件下能夠表現出優異的性能，然而，現實世界的應用場景往往比理論上的假設復雜得多。在許多情況下，訓練數據和測試數據可能來自不同的分布，這種現象被稱為域偏移或域偏差，例如，一個在白天拍攝的圖像上訓練良好的自動駕駛系統可能在夜間或惡劣天氣條件下表現不佳；當訓練與測試數據的分布不一致時，傳統深度學習模型的性能往往會顯著下降，這種性能下降不僅影響模型的準確性，還可能影響其決策過程的可靠性和穩定性；因此，如何解決域偏差這一問題引起學術界的廣泛關注，國內外學者提出了許多測試時間自適應方法，其旨在通過利用未標記的測試數據，以無監督的方式對深度學習網絡模型進行微調，以提高模型的泛化
3、在計算機視覺領域，測試時間自適應算法已經取得了一定的成果；許多算法被用于處理域偏移問題，其中包括tent、deyo和tea；tent算法提出模型預測的熵與模型錯誤率和數據域偏移程度密切相關，并以最小化測試數據的預測熵為目標，通過在線優化每個批次數據的仿射變換參數來實現。然而，當測試數據遭遇以下三種情況時，tent算法會有精度崩潰的風險：測試批次規模過小、測試批次中存在多個分布偏移，以及測試批次數據表現出時間序列相關性；deyo算法將偽標簽概率差異與熵最小化結合起來，優先考慮主要包含形狀信息的圖像，并熵和偽標簽概率差異同時作為置信度指標，增加了可靠性；然而，deyo算法會增加計算開銷，并且模型性能依賴于超參數，在不同的數據集上需要通過多次嘗試來調整超參數使模型性能達到最佳；tea算法從能量模型的角度出發，通過降低測試數據集上能量，從而實現對測試數據集的感知；然而，tea在優化時需要消耗大量額外的算力和空間來生成負面樣本；
4、綜上，現有的測試時間自適應圖像分類算法面臨以下挑戰：
5、一，大多數方法將熵作為置信度指標，然而熵在測試數據分布比較復雜時并不可靠，這種復雜的測試數據分布在現實中很常見，這限制了模型在現實世界中的應用；
6、二，已有的方法往往對測試數據分布邊緣不敏感，這導致模型過度依賴于訓練數據分布的邊緣，削弱了模型在測試數據上的校準能力，降低了預測的準確性。
7、三，由于同時訪問整個測試數據集受到限制，大多數方法只能基于批次數據對模型進行調整；然而，當批次數據中出現有害樣本時，可能會誤導模型做出錯誤預測，導致誤差產生。誤差隨著多輪批次數據的迭代而不斷累積，最終可能導致模型精度的顯著下降。
技術實現思路
1、本專利技術是為了解決上述現有技術存在的不足之處，提供一種基于測試時間自適應的圖像分類方法，以期能將偽標簽概率差異引入能量模型，分別從能量和形狀信息兩個角度對測試數據進行感知，從而能提高模型在測試圖像集合上的分類準確度。
2、本專利技術為達到上述專利技術目的，提供如下技術方案：
3、本專利技術一種基于測試時間自適應的圖像分類方法的特點在于，包括以下步驟：
4、步驟1：獲取帶有c個類別的測試圖像數據集合，其中，表示中的第個測試圖像，表示中測試圖像的總數；
5、應用破壞性轉換器對第個測試圖像進行處理后，得到破壞后的圖像數據集合，其中，表示破壞圖像數據集合中的第個破壞圖像，表示中破壞圖像的總數；
6、步驟2：使用預訓練分類器對測試圖像和破壞圖像進行預測，得到偽標簽概率分布，用于建立偽標簽概率差異損失；
7、步驟2.1：將和分別輸入到預訓練分類器中，相應得到的輸出概率分布和的輸出概率分布，其中，表示的參數；
8、步驟2.2：通過式(1)構建偽標簽概率差異損失：
9、?(1)
10、式(1)中，表示在第c個類上的輸出概率，表示在第c個類上的輸出概率；
11、步驟3：根據偽標簽概率分布，計算偽標簽概率差異分數，并用于篩選測試圖像數據集合，得到篩選后的圖像數據集合；
12、步驟4：將輸入預訓練分類器中，得到表示集合，并輸入能量模型中進行處理，得到能量分數和概率密度；
13、步驟5：構建負面虛構圖像數據集合，并輸入能量模型中進行處理，以構建能量模型的優化目標；
14、步驟6：利用式(9)構建聯合優化目標：
15、?(9)
16、步驟7：通過sgd優化器對由分數選擇器和能量模型組成的測試時間自適應網絡進行訓練，并計算以優化網絡參數，從而得到最優圖像分類模型，用于對測試域中無標記的圖像進行分類。
17、本專利技術所述的一種基于測試時間自適應的圖像分類方法的特點也在于，所述步驟3包括以下步驟：
18、步驟3.1：利用式(2)計算和的偽標簽概率差異分數：
19、?(2)
20、式(2)中，表示第i個測試圖像上的偽標簽，且；
21、步驟3.2：利用式(3)對進行篩選，得到篩選后的圖像數據集合，其中，表示第h個篩選后的圖像，表示篩選后的圖像數量：
22、?(3)
23、?式(3)中，是選擇樣本的閾值。
24、進一步的，所述步驟4包括以下步驟：
25、步驟4.1：將輸入預訓練分類器進行處理，得到的表示；
26、步驟4.2：利用式(4)將的表示轉換為的能量分數：
27、?(4)
28、式(4)中，表示能量函數，表示在第c個類上的表示；
29、步驟4.3：通過式(5)得到在能量模型上的概率密度：
30、?(5)
31、式(5)中，表示微分。
32、進一步的，所述步驟4包括以下步驟：
33、步驟5.1：定義當前迭代次數為，并初始化；
34、步驟5.2：隨機生成第次迭代的負面虛構圖像數據集合，表示第次迭代的第個虛構圖像，表示負面虛構圖像的總數；
35、步驟5.3：將輸入預訓練分類器中進行處理，得到的表示，并通過式(4)將轉換為的能量分數，通過式(5)得到的概率密度；
36、步驟5.4：通過式(6)得到第次迭代的第個虛構圖像，從而得到第次迭代的負面虛構圖像數據本文檔來自技高網...
【技術保護點】
1.一種基于測試時間自適應的圖像分類方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于測試時間自適應的圖像分類方法，其特征在于，所述步驟3包括以下步驟：
3.根據權利要求2所述的一種基于測試時間自適應的圖像分類方法，其特征在于，所述步驟4包括以下步驟：
4.根據權利要求3所述的一種基于測試時間自適應的圖像分類方法，其特征在于，所述步驟4包括以下步驟：
5.一種電子設備，包括存儲器以及處理器，其特征在于，所述存儲器用于存儲支持處理器執行權利要求1-4中任一所述圖像分類方法的程序，所述處理器被配置為用于執行所述存儲器中存儲的程序。
6.一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序，其特征在于，所述計算機程序被處理器運行時執行權利要求1-4中任一所述圖像分類方法的步驟。
【技術特征摘要】
1.一種基于測試時間自適應的圖像分類方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于測試時間自適應的圖像分類方法，其特征在于，所述步驟3包括以下步驟：
3.根據權利要求2所述的一種基于測試時間自適應的圖像分類方法，其特征在于，所述步驟4包括以下步驟：
4.根據權利要求3所述的一種基于測試時間自適應的圖像分類方法，其特征在于，所...
【專利技術屬性】
技術研發人員：張博遠，楊帥，蔣婷婷，劉倩，王超，辜麗川，
申請(專利權)人：安徽農業大學，
類型：發明
國別省市：
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。