[发明专利]域适应图像分类网络的训练方法、系统、设备及存储介质

权利要求书

1.一种域适应图像分类网络的训练方法，其特征在于，包括：

获取源域图像集合，并根据训练方式获取目标域图像集合；对目标域图像集合中每一未标注的目标域图像进行两种不同的图像变换，获得的第一变换图像与第二变换图像构成一个目标域图像对，由所述源域图像集合、目标域图像集合以及所有目标域图像对构成训练数据集；

将所述训练数据集输入至所述域适应图像分类网络；

根据训练方式以及设定的损失类别，利用所述域适应图像分类网络特征提取器的输出、分类器的输出与softmax层的输出中的一种或多种计算相应的类别损失，构成所述域适应图像分类网络的基线损失；

对于每一个目标域图像对，提取出所述域适应图像分类网络中softmax层的输出，构成一对概率向量；将每一对概率向量中第一变换图像对应的概率向量作为第一查询向量，将与第一查询向量不属于同一对概率向量中的其他所有概率向量作为相应第一查询向量的负样本，以及将每一对概率向量中第二变换图像对应的概率向量作为第二查询向量，将与第二查询向量不属于同一对概率向量中的其他所有概率向量作为相应第二查询向量的负样本；利用所有第一查询向量及对应的负样本，以及所有第二查询向量及对应的负样本计算总的概率对比损失；

联合所述基线损失与总的概率对比损失训练所述域适应图像分类网络；

其中，所述根据训练方式以及设定的损失类别，利用所述域适应图像分类网络特征提取器的输出、分类器的输出与softmax层的输出中的一种或多种计算相应的类别损失包括：

设定的损失类别包括：图像的分类损失，以及对抗损失和/或最小最大化熵损失；其中：

图像的分类损失包括：未标注图像的分类损失与有标注图像的分类损失；使用无监督训练方式时，有标注图像是指源域图像集合中的源域图像；使用半监督训练方式时，有标注图像包括源域图像集合中的源域图像，以及目标域图像集合中带有类别标签的目标域图像；未标注图像包括目标域图像集合中未标注的目标域图像，以及目标域图像对中的第一变换图像与第二变换图像；

对抗损失利用源域图像与目标域的图像对应的特征提取器的输出、分类器的输出或者softmax层的输出计算；所述最小最大化熵损失利用目标域的图像对应的分类器的输出计算；所述目标域的图像包括：目标域图像集合中的目标域图像，以及目标域图像对中的第一变换图像与第二变换图像。

2.根据权利要求1所述的一种域适应图像分类网络的训练方法，其特征在于，所述域适应图像分类网络包括：特征提取器、分类器与softmax层；所述特征提取器用于提取图像特征，图像特征输入至分类器，得到分类器的输出，分类器的输出输入至softmax层，得到softmax层的输出，即概率向量。