公开(公告)号：CN115641468A

公开(公告)日：2023-01-24

申请号：CN202211230715.7

申请日：2022-10-09

Applicant: 浙江大学

Inventor： 张寅 ,  余晏 ,  罗聪 ,  庄越挺

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/82 ,  G06N3/048 ,  G06N3/088 ,  G06N3/094

Abstract: 本发明公开了一种基于域间对比对抗学习的跨域图像分类方法。本发明包括如下步骤：1)在域对抗网络的基础上，使用一个映射网络H将骨干网络提取的特征映射到一个高维隐空间；2)在上述隐空间中使用对比学习损失替换域分类器的分类损失，进行对比学习。和现有技术相比，本发明结合对比学习，减少了传统域不变表征学习方法中的失配现象，使得在有标签源域图像上训练得到的图像分类神经网络模型被有效迁移到无标签目标域，提升了迁移后模型分类目标域图像的效果。

公开(公告)号：CN115908892A

公开(公告)日：2023-04-04

申请号：CN202211230693.4

申请日：2022-10-09

Applicant: 浙江大学

Inventor： 张寅 ,  余晏 ,  罗聪 ,  庄越挺

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/74 ,  G06V10/82 ,  G06N3/048 ,  G06N3/088

Abstract: 本发明公开了一种基于原型对比自训练的跨域图像分类方法。本发明包括如下步骤：1)通过域不变特征学习方法，获得跨域图像分类模型；2)利用当前最新的跨域图像分类模型预测目标域上图像的伪标签，使用每个批次的数据不断更新每个类别的原型并计算对比损失；3)将分类损失和对比损失结合构成目标函数进行训练，优化更新特征抽取网络与跨域图像分类网络，再回到步骤2)循环执行。本发明将原型对比学习融入到自训练中，通过将目标域中无标签图像数据的分布结构编码进自训练框架中，并在自学习的过程中完全放弃掉源数据，有效解决了域不变表征学习与自训练方法之间的不兼容问题，提升了跨域图像分类网络对分类边界附近相似图像数据分类的鲁棒性。