[发明专利]一种基于无监督域自适应的跨域图像分类方法

说明书

本发明公开一种基于无监督域自适应的跨域图像分类方法，包括S1：构建源域图像样本数据和目标域图像样本数据作为训练数据；S2：将所述训练数据中的图像进行归一化处理；S3：将归一化处理后的训练数据中的图像输入至域自适应网络进行训练，所述域自适应网络用于跨域图像分类；S4：训练域自适应网络时，在总损失值未达到预设的收敛条件时，迭代更新所述域自适应网络的参数，直至总损失值达到预设的收敛条件时，将收敛之后的域自适应网络记录为训练完成的域自适应分类模型；S5：利用训练完成的域自适应分类模型进行跨域图像分类。本发明减少了特征提取过程中重要信息的丢失，获取更多的共有特征，提高了图像跨域分类准确性和图像分类网络模型泛化性。

技术领域

本发明涉及跨域图像分类领域，更具体地，涉及一种基于无监督域自适应的跨域图像分类方法。

背景技术

近年来，随着机器视觉技术的飞速发展，图像分类技术在人们的日常生活中无处不在，体现出了其强大的实用性。简单的来说，图像分类技术是对相机拍到的图像及相关信息进行处理、分析和理解的技术，多用于在不同环境中找到目标及目标对象。图像识别及相关的分类技术在主体为机器视觉的智能化数据处理和控制的体系中，是非常重要的存在。

由于机器学习算法和深度神经网络等技术得到快速发展和良好的运用，使得图像分类模型的性能得以大幅度提升。当训练样本和测试样本满足独立同分布基本假设时，分类模型可以获得很好的分类效果。但是，在实际应用中，由于各种因素不可能保证训练样本始终与测试样本具有相同的分布，例如，用于训练人脸识别系统的高分辨率ID卡照片和低分辨率嘈杂的监视图像之间的分布不同；从互联网下载的用于训练的图像与来自真实场景中不同照明或角度的图像之间的分布也不同。当出现训练数据和测试数据分布之间存在明显差异的情况下，训练集和测试集之间的较大分布差异将模糊数据集所具有的类间差异，获得的模型通常会失效。

迁移学习可以有效的解决以上问题，其原理是通过利用数据之间的相关性，将从源域学习到的知识转移到目标域。既通过运用与目标领域相关联的先验知识来完成既定目标。其中领域自适应是一种比较具有代表性的迁移学习方法，领域自适应学习方法主要是通过完成分类器从源域适配到目标区域的相关问题来实现的，可有效减少由训练样本和测试样本之间的分布不同而造成的影响，并通过学习源领域与目标领域之间的共同点来提升模型的性能，最终达到分类器适应的目的。目前许多学者将图像细粒度信息加入到域自适应中提高了域自适应能力，但在域不变表示的获取过程中存在重要信息过多丢失的问题。

公开日为2020年10月27日，公开号为CN111832605A的中国专利公开了一种无监督图像分类模型的训练方法、装置和电子设备，通过将获取的目标域数据集和至少一个源域数据集分批次输入至无监督图像分类模型中进行处理，以训练无监督图像分类模型的特征生成网络、分类网络、域判别网络和联合标签分类网络，响应于特征生成网络、分类网络、域判别网络和联合标签分类网络对应的损失满足预定条件，确定无监督图像分类模型训练完成。该专利同样存在特征信息丢失的问题。

发明内容

本发明提供一种基于无监督域自适应的跨域图像分类方法，解决在包含细粒度信息的域自适应中域不变表示不准确的问题。

为解决上述技术问题，本发明的技术方案如下：

一种基于无监督域自适应的跨域图像分类方法，包括以下步骤：

S1：构建源域图像样本数据和目标域图像样本数据作为训练数据；

S2：将所述训练数据中的图像进行归一化处理；

S3：将归一化处理后的训练数据中的图像输入至域自适应网络进行训练，所述域自适应网络用于跨域图像分类；

S4：训练域自适应网络时，在总损失值未达到预设的收敛条件时，迭代更新所述域自适应网络的参数，直至总损失值达到预设的收敛条件时，将收敛之后的域自适应网络记录为训练完成的域自适应分类模型；