公开(公告)号：CN113469273B

公开(公告)日：2023-12-05

申请号：CN202110816631.0

申请日：2021-07-20

Applicant: 南京信息工程大学

Inventor： 田青 ,  朱雅喃 ,  马闯 ,  杨宏 ,  许衡

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明公开了基于双向生成及中间域对齐的无监督域适应图像分类方法，属于迁移学习领域。本发明通过采用双向生成网络，分别输入源域和目标域的图像将其生成对应伪目标域图像和伪源域图像，生成过程中由任务网络提供监督信息以指导图像生成质量，模型训练结束后，将伪源域图像与源域图像分别输入到分类网络中，通过相关距离度量，不断缩减伪源域与源域图像的分布差异，从而使得分类网络能够利用源域知识为目标域图像进行分类，相较于传统的域适应模型，本模型在提高模型泛化能力的同时，提高了模型的分类精度，既不会混淆域特有信息和域不变信息，从而导致负迁移的情况出现，又能够(56)对比文件Qing Tian 等.Unsupervised DomainAdaptation via bidirectional generationand middle domains alignment《.ELSEVIER》.2022,第102卷1-13.ANDREA ROSALES SANABRIA 等.Unsupervised Domain Adaptation inActivity Recognition: A GAN-BasedApproach《.IEEE Access》.2021,第9卷19421-19438.

公开(公告)号：CN113469273A

公开(公告)日：2021-10-01

申请号：CN202110816631.0

申请日：2021-07-20

Applicant: 南京信息工程大学

Inventor： 田青 ,  朱雅喃 ,  马闯 ,  杨宏 ,  许衡

IPC: G06K9/62

Abstract: 本发明公开了基于双向生成及中间域对齐的无监督域适应图像分类方法，属于迁移学习领域。本发明通过采用双向生成网络，分别输入源域和目标域的图像将其生成对应伪目标域图像和伪源域图像，生成过程中由任务网络提供监督信息以指导图像生成质量，模型训练结束后，将伪源域图像与源域图像分别输入到分类网络中，通过相关距离度量，不断缩减伪源域与源域图像的分布差异，从而使得分类网络能够利用源域知识为目标域图像进行分类，相较于传统的域适应模型，本模型在提高模型泛化能力的同时，提高了模型的分类精度，既不会混淆域特有信息和域不变信息，从而导致负迁移的情况出现，又能够使得生成的伪源域样本可以完全符合源域样本分布。