CN109753992A - 基于条件生成对抗网络的无监督域适应图像分类方法 - Google Patents

基于条件生成对抗网络的无监督域适应图像分类方法 Download PDF

Info

Publication number
CN109753992A
CN109753992A CN201811502897.2A CN201811502897A CN109753992A CN 109753992 A CN109753992 A CN 109753992A CN 201811502897 A CN201811502897 A CN 201811502897A CN 109753992 A CN109753992 A CN 109753992A
Authority
CN
China
Prior art keywords
image
domain
source domain
aiming field
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811502897.2A
Other languages
English (en)
Other versions
CN109753992B (zh
Inventor
杨琬琪
凌彤
杨明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN201811502897.2A priority Critical patent/CN109753992B/zh
Publication of CN109753992A publication Critical patent/CN109753992A/zh
Application granted granted Critical
Publication of CN109753992B publication Critical patent/CN109753992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了基于条件生成对抗网络的无监督域适应图像分类方法。该方法的步骤：对图像数据集进行预处理；采用循环一致的生成对抗网络并施加约束损失函数，构建跨域的条件对抗图像生成网络；使用预处理后的图像数据集对构建的条件对抗图像生成网络进行训练；使用训练好的网络模型对待分类的目标图像进行测试，得到最终分类结果。本发明采用条件对抗跨域图像迁移算法，对源域和目标域图像样本进行相互转换，且对转换前后目标图像的分类预测施加一致性损失函数约束。同时运用有判别性的分类标签进行条件对抗性学习，以对齐源域和目标域图像标签的联合分布，从而运用有标签的源域图像对目标域图像进行训练，实现目标图像的分类，并提高了分类精度。

Description

基于条件生成对抗网络的无监督域适应图像分类方法
技术领域
本发明属于无监督域适应图像分类领域，特别涉及了基于条件生成对抗网络的无监督域适应图像分类方法。
背景技术
深度学习的发展对特征学习与分类任务性能的提高有着重要的意义。而训练深度网络则需要大量的带标签的样本，但在实际应用中待分类的目标样本往往缺少类别标签，这使得分类训练显得尤为困难。面对这一困难，通常的做法是从有标签的源域样本中训练一个有效的分类器，用以辅助无标签的目标域样本的分类，但如何减小源域样本与目标域样本的分布差异使该分类器更好地适应于目标域分类任务则是至关重要的。这一类方法称为无监督域适应法。无监督域适应是当前计算机视觉领域中有前景的研究课题之一。近年来无监督域适应的研究工作越来越多，大致分为以下三类：(1)深度域适应方法；(2)对抗域适应方法；(3)对抗图像生成方法。
深度域适应方法是在卷积神经网络(Convolutional Neural Network，CNN)的最后一层或几层中嵌入域适应模块来减小分布变化，从而实现跨域迁移学习；这类方法建立在样本与标签的联合分布不变化的假设之上，主要用于减少样本分布中的域迁移。
对抗域适应方法是设计一种对抗损失函数和域判别器来最小化域转变，同时构建域生成器学习特征去混淆域判别器。近些年，由于生成对抗网络(Generator AdversarialNetwork，GAN)的发展与广泛应用，有不少研究人员将其运用到域适应方法中，利用对抗学习思想设计域判别器用以判别该域学习到的特征是来自于该域真实样本还是来自其它域生成器的输出，尽可能地将生成器输出的样本从真实样本中分辨出来，同时使用域生成器来混淆其它域判别器，使判别器分辨不出真假样本。这类方法在计算机视觉应用中是有效的，但在处理跨域图像数据时学习到的特征可视化仍有所不足。
对抗图像生成方法考虑到可视化因素，对图像使用GAN跨域生成类似源域或目标域的图像来配对它们的样本分布用以实现域适应和分类。然而，尽管这类方法一定程度上提高了域适应性能，但对分类任务来说仍有局限性，它们仅通过对齐样本分布实现跨域图像生成却忽略了该期间分类标签的影响。
发明内容
为了解决上述背景技术提出的技术问题，本发明提供基于条件生成对抗网络的无监督域适应图像分类方法，实现目标图像的分类，并提高分类精度。
为了实现上述技术目的，本发明的技术方案为：
一种基于条件生成对抗网络的无监督域适应图像分类方法，包括以下步骤：
(1)对图像数据集进行预处理；
(2)采用循环一致的生成对抗网络并施加约束损失函数，构建条件对抗图像生成网络；
(3)使用步骤(1)中经过预处理的图像数据集对步骤(2)构建的条件对抗图像生成网络进行训练；
(4)使用步骤(3)训练好的网络模型对待分类的目标图像进行测试，得到最终的分类结果。
进一步地，在步骤(1)中，所述预处理为，统一图像大小，对图像进行归一化操作，将像素值调整为[-1,1]里的一个数。
进一步地，在步骤(2)中，构建条件对抗图像生成网络的步骤如下：
(201)在无监督域适应中，给定源域图像样本其中是第i张图像，是对应图像的分类标签，ns是源域图像样本个数；给定无标签的目标域图像样本其中是第i张图像，nt是目标域图像样本个数，处理任务是预测目标域图像的标签
(202)有标签源域图像通过源域判别器进行源域图像真假样本判别和分类预测，同时目标域图像通过源域生成器生成类似源域的图像后经过源域判别器进行源域图像真假样本判别，则源域的对抗损失函数如下：
无标签目标域图像通过目标域判别器进行目标域图像真假样本判别，同时有标签源域图像通过目标域生成器生成类似目标域的图像后经过目标域判别器进行目标域图像真假样本判别和分类预测，则目标域的对抗损失函数如下：
其中，P(xs)和Q(xt)分别是源域图像样本xs和目标域图像样本xt的样本分布，表示服从P(xs)分布的xs的期望，表示服从Q(xt)分布的xt的期望，lce是平均交叉熵损失函数，Gs(*)和Gt(*)分别是源域生成图像和目标域生成图像，和分别是源域图像样本和目标域图像样本的图像真假判别预测值，和分别是源域图像样本和目标域图像样本的分类预测值。
进一步地，在步骤(202)中，为保证网络学到的跨域映射是期望的映射，施加循环一致损失函数Lcyc(Gs,Gt)，使用1范数约束两域原图像与两域原图像通过跨域转换后的重构图像：
进一步地，在步骤(202)中，为对齐源域样本与目标域样本标签的联合分布，采用条件对抗损失函数用于源域与目标域：
其中，(xs,ys)是源域的样本与样本对应的标签，P(xs,ys)是源域的联合分布，(xt,yt)是目标域的样本与标签，Q(xt,yt)是目标域的联合分布，表示源域样本的分布期望，表示目标域样本的分布期望，与分别为源域与目标域的联合分布判别模块，用于区分两个域的真假图像与标签。
进一步地，在步骤(202)中，为降低分类错误率，采用分类一致性损失函数约束无标签目标样本在源域和在目标域的分类预测值：
进一步地，在步骤(202)中，源域到目标域的生成对抗网络与目标域到源域的生成对抗网络保持一致，采用残差网络作为生成器，卷积神经网络作为判别器。
进一步地，步骤(3)的具体过程如下：
(301)在训练网络之前调整网络层数，设置初始学习率、训练周期数及损失函数权重；
(302)训练之时，观察图像生成的可视化结果与过程中各损失函数的变化情况，并根据变化修改相关参数；
(303)经过充分训练与调参后，得到最终训练好的网络模型并保存。
进一步地，在步骤(301)中，根据训练图像的大小调整网络层数，且二者成正比关系。
采用上述技术方案带来的有益效果：
首先，本发明提出的条件对抗图像生成网络与约束损失函数，实现了源域图像与目标域图像的相互转换，提高了域适应性能。
然后，本发明结合有标签的源域图像有效地利用无标签的目标域图像进行训练，实现了目标图像的分类并同时提高了分类精度。
此外，本发明能够在有效时间内训练模型并预测目标图像分类结果，适合实际应用环境，具有可观的使用价值。
附图说明
图1为本发明的整体流程图；
图2为本发明构建条件对抗图像生成网络的示意图；
图3为本发明训练网络模型及模型预测图像分类结果的流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
如图1所示，本发明提出了一种基于条件生成对抗网络的无监督域适应图像分类方法，本发明的核心步骤是构建条件对抗图像生成网络并结合有标签的源域图像有效地利用无标签的目标域图像进行训练，具体实施方式的描述主要侧重于步骤2。
步骤1、图像预处理
图像的质量对算法的实现与分类效果有着直接的影响。对图像进行归一化操作，是一种简化计算的方式，对提高分类精度有着重要意义。给定图像样本X，根据公式img＝(X-mean)/std，这里mean和std取0.5，将图像像素值归一化为[-1,1]里的数。
步骤2、构建条件对抗图像生成网络
GAN的出现到发展，一直受到各界研究人员的广泛关注。近年来就有不少研究人员将其运用到域适应方法中，利用对抗学习思想设计域判别器用以判别该域学习到的特征是来自于该域真实样本还是来自其它域生成器的输出，尽可能地将生成器输出的样本从真实样本中分辨出来，同时使用域生成器来混淆其它域判别器，使判别器分辨不出真假样本；也有研究人员在此基础上提出对抗图像生成网络，对图像使用GAN跨域生成类似源域或目标域的图像来配对它们的样本分布用以实现域适应和分类。然而，现有的这些方法尽管在一定程度上提高了域适应性能，但对分类任务来说仍有局限性，它们仅通过对齐样本分布实现跨域图像生成却忽略了该期间分类标签的影响。为此，本发明考虑可视化因素、分类标签的影响，构建了条件对抗图像生成网络并施加约束损失函数，对源域与目标域样本进行图像转换。同时运用有判别性的分类标签对齐两域的联合分布以进一步提高域适应性能，用于实现后续步骤的训练与预测。
给定源域图像样本其中是第i张图像，是对应图像的分类标签，ns是源域图像样本个数；给定无标签的目标域图像样本其中是第i张图像，nt是目标域图像样本个数，处理任务是预测目标域图像的标签
如图2所示的条件对抗图像生成网络：
①有标签源域图像样本与无标签目标域图像样本经过预处理后，分别通过各自的域生成对抗网络；源域图像通过源域判别器进行源域图像真假样本判别与分类预测，同时目标域图像通过源域生成器生成类似源域的图像后经过源域判别器进行源域图像真假样本判别，则源域的对抗损失函数如下示：
同理，目标域图像通过目标域判别器进行目标域图像真假样本判别，同时源域图像通过目标域生成器生成类似目标域的图像后经过目标域判别器进行目标域图像真假样本判别与分类预测，则目标域的对抗损失函数如下示：
其中，P(xs)，Q(xt)是xs，xt的样本分布，lce是平均交叉熵损失函数，表示服从P(xs)分布的xs的期望，表示服从Q(xt)分布的xt的期望，Gs与Gt分别是源域生成图像与目标域生成图像，与分别是源域样本与目标域样本的图像真假判别预测值，与分别是域样本与目标域样本的分类预测值。
进一步地，为保证网络学到的跨域映射是期望的映射，加入循环一致损失函数，使用1范数约束两域原图像与两域原图像通过跨域转换后的重构图像，如下式所示：
②进一步地，为对齐源域与目标域样本标签的联合分布，使用条件对抗损失函数对源域图像通过源域判别器里得到的图像标签真假判别与目标域图像转换到源域生成类似源域的图像后通过源域判别器得到的图像标签真假判别进行计算，公式如下：
同理，使用条件对抗损失函数对目标域图像通过目标域判别器得到的图像标签真假判别与源域图像转换到目标域生成类似目标域的图像后通过目标域判别器得到的图像标签真假判别进行计算，公式如下：
其中，(xs,ys)是源域的样本与样本对应的标签，P(xs,ys)是源域的联合分布，(xt,yt)是目标域的样本与标签，Q(xt,yt)是目标域的联合分布，表示源域样本的分布期望，表示目标域样本的分布期望，与分别为源域与目标域的联合分布判别模块，用于区分两个域的真假图像与标签。
③进一步地，为降低分类错误率，采用分类一致性损失函数约束无标签目标样本通过源域判别器得到的分类预测与通过目标域判别器得到的分类预测，公式如下：
步骤3、训练网络模型
如图3所示：
(1)在训练网络之前调整网络层数，设置初始学习率、训练周期数及损失函数权重；
(2)训练之时，观察图像生成的可视化结果与过程中各个损失函数的变化情况，并根据变化修改相关参数；
(3)经过充分训练与调参后，得到最终的训练好的模型并保存。
步骤4、模型预测图像分类结果
如图3所示，将待分类的目标图像作为输入图像，通过步骤3得到的训练好的模型，显示最终的图像分类结果。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (9)

1.一种基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，包括以下步骤：
(1)对图像数据集进行预处理；
(2)采用循环一致的生成对抗网络并施加约束损失函数，构建条件对抗图像生成网络；
(3)使用步骤(1)中经过预处理的图像数据集对步骤(2)构建的条件对抗图像生成网络进行训练；
(4)使用步骤(3)训练好的网络模型对待分类的目标图像进行测试，得到最终的分类结果。
2.根据权利要求1所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(1)中，所述预处理为，统一图像大小，对图像进行归一化操作，将像素值调整为[-1,1]里的一个数。
3.根据权利要求1所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(2)中，构建条件对抗图像生成网络的步骤如下：
(201)在无监督域适应中，给定源域图像样本其中是第i张图像，是对应图像的分类标签，ns是源域图像样本个数；给定无标签的目标域图像样本其中是第i张图像，nt是目标域图像样本个数，处理任务是预测目标域图像的标签
(202)有标签源域图像通过源域判别器进行源域图像真假样本判别和分类预测，同时目标域图像通过源域生成器生成类似源域的图像后经过源域判别器进行源域图像真假样本判别，则源域的对抗损失函数如下：
无标签目标域图像通过目标域判别器进行目标域图像真假样本判别，同时有标签源域图像通过目标域生成器生成类似目标域的图像后经过目标域判别器进行目标域图像真假样本判别和分类预测，则目标域的对抗损失函数如下：
其中，P(xs)和Q(xt)分别是源域图像样本xs和目标域图像样本xt的样本分布，表示服从P(xs)分布的xs的期望，表示服从Q(xt)分布的xt的期望，lce是平均交叉熵损失函数，Gs(*)和Gt(*)分别是源域生成图像和目标域生成图像，和分别是源域图像样本和目标域图像样本的图像真假判别预测值，和分别是源域图像样本和目标域图像样本的分类预测值。
4.根据权利要求3所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(202)中，为保证网络学到的跨域映射是期望的映射，施加循环一致损失函数Lcyc(Gs,Gt)，使用1范数约束两域原图像与两域原图像通过跨域转换后的重构图像：
5.根据权利要求3所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(202)中，为对齐源域样本与目标域样本标签的联合分布，采用条件对抗损失函数用于源域与目标域：
其中，(xs,ys)是源域的样本与样本对应的标签，P(xs,ys)是源域的联合分布，(xt,yt)是目标域的样本与标签，Q(xt,yt)是目标域的联合分布，表示源域样本的分布期望，表示目标域样本的分布期望，与分别为源域与目标域的联合分布判别模块，用于区分两个域的真假图像与标签。
6.根据权利要求3所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(202)中，为降低分类错误率，采用分类一致性损失函数约束无标签目标样本在源域和在目标域的分类预测值：
7.根据权利要求3所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(202)中，源域到目标域的生成对抗网络与目标域到源域的生成对抗网络保持一致，采用残差网络作为生成器，卷积神经网络作为判别器。
8.根据权利要求2所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，步骤(3)的具体过程如下：
(301)在训练网络之前调整网络层数，设置初始学习率、训练周期数及损失函数权重；
(302)训练之时，观察图像生成的可视化结果与过程中各损失函数的变化情况，并根据变化修改相关参数；
(303)经过充分训练与调参后，得到最终训练好的网络模型并保存。
9.根据权利要求8所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(301)中，根据训练图像的大小调整网络层数，且二者成正比关系。
CN201811502897.2A 2018-12-10 2018-12-10 基于条件生成对抗网络的无监督域适应图像分类方法 Active CN109753992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811502897.2A CN109753992B (zh) 2018-12-10 2018-12-10 基于条件生成对抗网络的无监督域适应图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811502897.2A CN109753992B (zh) 2018-12-10 2018-12-10 基于条件生成对抗网络的无监督域适应图像分类方法

Publications (2)

Publication Number Publication Date
CN109753992A true CN109753992A (zh) 2019-05-14
CN109753992B CN109753992B (zh) 2020-09-01

Family

ID=66403504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811502897.2A Active CN109753992B (zh) 2018-12-10 2018-12-10 基于条件生成对抗网络的无监督域适应图像分类方法

Country Status (1)

Country Link
CN (1) CN109753992B (zh)

Cited By (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197226A (zh) * 2019-05-30 2019-09-03 厦门大学 一种无监督图像翻译方法及系统
CN110197229A (zh) * 2019-05-31 2019-09-03 腾讯科技（深圳）有限公司 图像处理模型的训练方法、装置及存储介质
CN110310221A (zh) * 2019-06-14 2019-10-08 大连理工大学 一种基于生成对抗网络的多域图像风格迁移方法
CN110321813A (zh) * 2019-06-18 2019-10-11 南京信息工程大学 基于行人分割的跨域行人重识别方法
CN110321926A (zh) * 2019-05-24 2019-10-11 北京理工大学 一种基于深度残差修正网络的迁移方法及系统
CN110335193A (zh) * 2019-06-14 2019-10-15 大连理工大学 一种基于生成对抗网络的目标域导向的无监督图像转换方法
CN110414462A (zh) * 2019-08-02 2019-11-05 中科人工智能创新技术研究院(青岛)有限公司 一种无监督的跨域行人重识别方法及系统
CN110458022A (zh) * 2019-07-10 2019-11-15 中国地质大学（武汉） 一种基于域适应的可自主学习目标检测方法
CN110458216A (zh) * 2019-07-31 2019-11-15 中山大学 基于条件生成对抗网络的图像风格迁移方法
CN110503598A (zh) * 2019-07-30 2019-11-26 西安理工大学 基于条件循环一致性生成对抗网络的字体风格迁移方法
CN110544239A (zh) * 2019-08-19 2019-12-06 中山大学 基于条件生成对抗网络的多模态mri转换方法、系统及介质
CN110717426A (zh) * 2019-09-27 2020-01-21 卓尔智联(武汉)研究院有限公司 基于域自适应学习的垃圾分类方法、电子设备及存储介质
CN110837850A (zh) * 2019-10-23 2020-02-25 浙江大学 一种基于对抗学习损失函数的无监督域适应方法
CN110866536A (zh) * 2019-09-25 2020-03-06 西安交通大学 一种基于PU learning的跨区域企业偷漏税识别方法
CN110880019A (zh) * 2019-10-30 2020-03-13 北京中科研究院 通过无监督域适应训练目标域分类模型的方法
CN110880175A (zh) * 2019-11-15 2020-03-13 广东工业大学 一种焊点缺陷检测方法、系统以及设备
CN111027678A (zh) * 2019-12-04 2020-04-17 湃方科技(北京)有限责任公司 一种数据迁移方法及装置
CN111160462A (zh) * 2019-12-30 2020-05-15 浙江大学 一种基于多传感器数据对齐的无监督个性化人类活动识别方法
CN111209935A (zh) * 2019-12-26 2020-05-29 武汉安视感知科技有限公司 基于自适应域转移的无监督目标检测方法及系统
CN111275713A (zh) * 2020-02-03 2020-06-12 武汉大学 一种基于对抗自集成网络的跨域语义分割方法
CN111275092A (zh) * 2020-01-17 2020-06-12 电子科技大学 一种基于无监督域适应的图像分类方法
CN111292384A (zh) * 2020-01-16 2020-06-16 西安交通大学 基于生成式对抗网络的跨域多样性图像生成方法及系统
CN111340021A (zh) * 2020-02-20 2020-06-26 中国科学技术大学 基于中心对齐和关系显著性的无监督域适应目标检测方法
CN111444955A (zh) * 2020-03-25 2020-07-24 哈尔滨工程大学 一种基于类意识领域自适应的水下声纳图像无监督分类方法
CN111445476A (zh) * 2020-02-27 2020-07-24 上海交通大学 基于多模态无监督图像内容解耦的单目深度估计方法
CN111597946A (zh) * 2020-05-11 2020-08-28 腾讯科技（深圳）有限公司 图像生成器的处理方法、图像生成方法及装置
CN111723780A (zh) * 2020-07-22 2020-09-29 浙江大学 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统
CN111738315A (zh) * 2020-06-10 2020-10-02 西安电子科技大学 基于对抗融合多源迁移学习的图像分类方法
CN111739076A (zh) * 2020-06-15 2020-10-02 大连理工大学 面向多种ct肺部纹理识别的非监督保内容域适应方法
CN111754478A (zh) * 2020-06-22 2020-10-09 怀光智能科技（武汉）有限公司 一种基于生成对抗网络的无监督域适应系统及方法
CN111814891A (zh) * 2020-07-15 2020-10-23 大连东软教育科技集团有限公司 医学图像合成方法、装置及存储介质
CN111832605A (zh) * 2020-05-22 2020-10-27 北京嘀嘀无限科技发展有限公司 无监督图像分类模型的训练方法、装置和电子设备
CN111862260A (zh) * 2020-07-31 2020-10-30 浙江工业大学 基于跨域对偶生成式对抗网络的偏见消除方法与装置
CN111881884A (zh) * 2020-08-11 2020-11-03 中国科学院自动化研究所 基于跨模态转化辅助的人脸防伪检测方法、系统及装置
CN111914912A (zh) * 2020-07-16 2020-11-10 天津大学 一种基于孪生条件对抗网络的跨域多视目标识别方法
CN111931814A (zh) * 2020-07-03 2020-11-13 浙江大学 一种基于类内结构紧致约束的无监督对抗域适应方法
CN112116024A (zh) * 2020-09-28 2020-12-22 北京嘀嘀无限科技发展有限公司 用户分类模型的方法、装置、电子设备和存储介质
CN112150469A (zh) * 2020-09-18 2020-12-29 上海交通大学 一种基于无监督领域自适应的激光散斑衬比图像分割方法
CN112232395A (zh) * 2020-10-08 2021-01-15 西北工业大学 一种基于联合训练生成对抗网络的半监督图像分类方法
CN112396588A (zh) * 2020-11-23 2021-02-23 中国人民大学 一种基于对抗网络的眼底图像识别方法、系统及可读介质
CN112446423A (zh) * 2020-11-12 2021-03-05 昆明理工大学 一种基于迁移学习的快速混合高阶注意力域对抗网络的方法
CN112488035A (zh) * 2020-12-14 2021-03-12 南京信息工程大学 一种基于对抗神经网络的跨域行人重识别方法
CN112766334A (zh) * 2021-01-08 2021-05-07 厦门大学 一种基于伪标签域适应的跨域图像分类方法
CN112801179A (zh) * 2021-01-27 2021-05-14 北京理工大学 面向跨领域复杂视觉任务的孪生分类器确定性最大化方法
CN112801177A (zh) * 2021-01-26 2021-05-14 南京邮电大学 基于标签矫正的无监督领域自适应模型的实现方法
CN112836739A (zh) * 2021-01-29 2021-05-25 华中科技大学 基于动态联合分布对齐的分类模型建立方法及其应用
CN112861977A (zh) * 2021-02-19 2021-05-28 中国人民武装警察部队工程大学 迁移学习数据处理方法、系统、介质、设备、终端及应用
CN112926673A (zh) * 2021-03-17 2021-06-08 清华大学深圳国际研究生院 一种基于一致性约束的半监督目标检测方法
CN113033696A (zh) * 2021-04-13 2021-06-25 浙江大学 基于对比对抗网络的小样本商品图像分类算法及其系统
CN113052243A (zh) * 2021-03-30 2021-06-29 浙江工业大学 基于CycleGAN和条件分布自适应的目标检测方法
CN113191449A (zh) * 2021-05-18 2021-07-30 哈尔滨理工大学 一种基于对抗性域适应的雾天目标检测方法
CN113298189A (zh) * 2021-06-30 2021-08-24 广东工业大学 一种基于无监督域自适应的跨域图像分类方法
CN113344044A (zh) * 2021-05-21 2021-09-03 北京工业大学 一种基于领域自适应的跨物种医疗影像分类方法
CN113361566A (zh) * 2021-05-17 2021-09-07 长春工业大学 用对抗性学习和判别性学习来迁移生成式对抗网络的方法
CN113366494A (zh) * 2019-01-29 2021-09-07 辉达公司 用于少样本无监督图像到图像转换的方法
CN113688867A (zh) * 2021-07-20 2021-11-23 广东工业大学 一种跨域图像分类方法
CN113762203A (zh) * 2021-09-17 2021-12-07 中国人民解放军国防科技大学 基于仿真数据的跨域自适应sar图像分类方法、装置及设备
CN113762466A (zh) * 2021-08-02 2021-12-07 国网河南省电力公司信息通信公司 电力物联网流量分类方法及装置
CN113792576A (zh) * 2021-07-27 2021-12-14 北京邮电大学 基于有监督域适应的人体行为识别方法、电子设备
CN114463320A (zh) * 2022-02-17 2022-05-10 厦门大学 一种磁共振成像脑胶质瘤idh基因预测方法及系统
CN114511737A (zh) * 2022-01-24 2022-05-17 北京建筑大学 图像识别域泛化模型的训练方法
CN114549322A (zh) * 2022-02-24 2022-05-27 中山大学 基于无监督领域自适应的图像超分辨方法及装置
CN114821200A (zh) * 2022-06-28 2022-07-29 苏州立创致恒电子科技有限公司 一种应用于工业视觉检测领域的图像检测模型及方法
CN114912516A (zh) * 2022-04-25 2022-08-16 湖南大学无锡智能控制研究院 一种协调特征一致性和特异性的跨域目标检测方法及系统
CN117893476A (zh) * 2023-12-15 2024-04-16 南京林业大学 一种基于非对抗性无监督域适应的植物病害检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104935600A (zh) * 2015-06-19 2015-09-23 中国电子科技集团公司第五十四研究所 一种基于深度学习的移动自组织网络入侵检测方法与设备
CN107220929A (zh) * 2017-06-23 2017-09-29 深圳市唯特视科技有限公司 一种使用循环一致对抗网络的非成对图像转化方法
CN107563428A (zh) * 2017-08-25 2018-01-09 西安电子科技大学 基于生成对抗网络的极化sar图像分类方法
CN107966447A (zh) * 2017-11-14 2018-04-27 浙江大学 一种基于卷积神经网络的工件表面缺陷检测方法
US20180174052A1 (en) * 2016-12-15 2018-06-21 WaveOne Inc. Using generative adversarial networks in compression
CN108334904A (zh) * 2018-02-07 2018-07-27 深圳市唯特视科技有限公司 一种基于统一生成对抗网络的多域图像转换技术

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104935600A (zh) * 2015-06-19 2015-09-23 中国电子科技集团公司第五十四研究所 一种基于深度学习的移动自组织网络入侵检测方法与设备
US20180174052A1 (en) * 2016-12-15 2018-06-21 WaveOne Inc. Using generative adversarial networks in compression
CN107220929A (zh) * 2017-06-23 2017-09-29 深圳市唯特视科技有限公司 一种使用循环一致对抗网络的非成对图像转化方法
CN107563428A (zh) * 2017-08-25 2018-01-09 西安电子科技大学 基于生成对抗网络的极化sar图像分类方法
CN107966447A (zh) * 2017-11-14 2018-04-27 浙江大学 一种基于卷积神经网络的工件表面缺陷检测方法
CN108334904A (zh) * 2018-02-07 2018-07-27 深圳市唯特视科技有限公司 一种基于统一生成对抗网络的多域图像转换技术

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
臧文华: "基于生成对抗网络的迁移学习算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (108)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113366494A (zh) * 2019-01-29 2021-09-07 辉达公司 用于少样本无监督图像到图像转换的方法
CN110321926B (zh) * 2019-05-24 2024-03-26 北京理工大学 一种基于深度残差修正网络的迁移方法及系统
CN110321926A (zh) * 2019-05-24 2019-10-11 北京理工大学 一种基于深度残差修正网络的迁移方法及系统
CN110197226B (zh) * 2019-05-30 2021-02-09 厦门大学 一种无监督图像翻译方法及系统
CN110197226A (zh) * 2019-05-30 2019-09-03 厦门大学 一种无监督图像翻译方法及系统
CN110197229B (zh) * 2019-05-31 2022-06-07 腾讯医疗健康(深圳)有限公司 图像处理模型的训练方法、装置及存储介质
CN110197229A (zh) * 2019-05-31 2019-09-03 腾讯科技（深圳）有限公司 图像处理模型的训练方法、装置及存储介质
CN110310221B (zh) * 2019-06-14 2022-09-20 大连理工大学 一种基于生成对抗网络的多域图像风格迁移方法
CN110335193B (zh) * 2019-06-14 2022-09-20 大连理工大学 一种基于生成对抗网络的目标域导向的无监督图像转换方法
CN110335193A (zh) * 2019-06-14 2019-10-15 大连理工大学 一种基于生成对抗网络的目标域导向的无监督图像转换方法
CN110310221A (zh) * 2019-06-14 2019-10-08 大连理工大学 一种基于生成对抗网络的多域图像风格迁移方法
CN110321813B (zh) * 2019-06-18 2023-06-20 南京信息工程大学 基于行人分割的跨域行人重识别方法
CN110321813A (zh) * 2019-06-18 2019-10-11 南京信息工程大学 基于行人分割的跨域行人重识别方法
CN110458022B (zh) * 2019-07-10 2022-07-12 中国地质大学（武汉） 一种基于域适应的可自主学习目标检测方法
CN110458022A (zh) * 2019-07-10 2019-11-15 中国地质大学（武汉） 一种基于域适应的可自主学习目标检测方法
CN110503598A (zh) * 2019-07-30 2019-11-26 西安理工大学 基于条件循环一致性生成对抗网络的字体风格迁移方法
CN110458216B (zh) * 2019-07-31 2022-04-12 中山大学 基于条件生成对抗网络的图像风格迁移方法
CN110458216A (zh) * 2019-07-31 2019-11-15 中山大学 基于条件生成对抗网络的图像风格迁移方法
CN110414462A (zh) * 2019-08-02 2019-11-05 中科人工智能创新技术研究院(青岛)有限公司 一种无监督的跨域行人重识别方法及系统
CN110544239B (zh) * 2019-08-19 2021-12-17 中山大学 基于条件生成对抗网络的多模态mri转换方法、系统及介质
CN110544239A (zh) * 2019-08-19 2019-12-06 中山大学 基于条件生成对抗网络的多模态mri转换方法、系统及介质
CN110866536A (zh) * 2019-09-25 2020-03-06 西安交通大学 一种基于PU learning的跨区域企业偷漏税识别方法
CN110866536B (zh) * 2019-09-25 2022-06-07 西安交通大学 一种基于PU learning的跨区域企业偷漏税识别方法
CN110717426A (zh) * 2019-09-27 2020-01-21 卓尔智联(武汉)研究院有限公司 基于域自适应学习的垃圾分类方法、电子设备及存储介质
CN110837850A (zh) * 2019-10-23 2020-02-25 浙江大学 一种基于对抗学习损失函数的无监督域适应方法
CN110837850B (zh) * 2019-10-23 2022-06-21 浙江大学 一种基于对抗学习损失函数的无监督域适应方法
CN110880019A (zh) * 2019-10-30 2020-03-13 北京中科研究院 通过无监督域适应训练目标域分类模型的方法
CN110880175A (zh) * 2019-11-15 2020-03-13 广东工业大学 一种焊点缺陷检测方法、系统以及设备
CN110880175B (zh) * 2019-11-15 2023-05-05 广东工业大学 一种焊点缺陷检测方法、系统以及设备
CN111027678A (zh) * 2019-12-04 2020-04-17 湃方科技(北京)有限责任公司 一种数据迁移方法及装置
CN111027678B (zh) * 2019-12-04 2023-08-04 湃方科技(北京)有限责任公司 一种数据迁移方法及装置
CN111209935A (zh) * 2019-12-26 2020-05-29 武汉安视感知科技有限公司 基于自适应域转移的无监督目标检测方法及系统
CN111160462A (zh) * 2019-12-30 2020-05-15 浙江大学 一种基于多传感器数据对齐的无监督个性化人类活动识别方法
CN111292384B (zh) * 2020-01-16 2022-05-20 西安交通大学 基于生成式对抗网络的跨域多样性图像生成方法及系统
CN111292384A (zh) * 2020-01-16 2020-06-16 西安交通大学 基于生成式对抗网络的跨域多样性图像生成方法及系统
CN111275092B (zh) * 2020-01-17 2022-05-13 电子科技大学 一种基于无监督域适应的图像分类方法
CN111275092A (zh) * 2020-01-17 2020-06-12 电子科技大学 一种基于无监督域适应的图像分类方法
CN111275713B (zh) * 2020-02-03 2022-04-12 武汉大学 一种基于对抗自集成网络的跨域语义分割方法
CN111275713A (zh) * 2020-02-03 2020-06-12 武汉大学 一种基于对抗自集成网络的跨域语义分割方法
CN111340021B (zh) * 2020-02-20 2022-07-15 中国科学技术大学 基于中心对齐和关系显著性的无监督域适应目标检测方法
CN111340021A (zh) * 2020-02-20 2020-06-26 中国科学技术大学 基于中心对齐和关系显著性的无监督域适应目标检测方法
CN111445476B (zh) * 2020-02-27 2023-05-26 上海交通大学 基于多模态无监督图像内容解耦的单目深度估计方法
CN111445476A (zh) * 2020-02-27 2020-07-24 上海交通大学 基于多模态无监督图像内容解耦的单目深度估计方法
CN111444955B (zh) * 2020-03-25 2022-08-02 哈尔滨工程大学 一种基于类意识领域自适应的水下声纳图像无监督分类方法
CN111444955A (zh) * 2020-03-25 2020-07-24 哈尔滨工程大学 一种基于类意识领域自适应的水下声纳图像无监督分类方法
CN111597946A (zh) * 2020-05-11 2020-08-28 腾讯科技（深圳）有限公司 图像生成器的处理方法、图像生成方法及装置
CN111832605A (zh) * 2020-05-22 2020-10-27 北京嘀嘀无限科技发展有限公司 无监督图像分类模型的训练方法、装置和电子设备
CN111832605B (zh) * 2020-05-22 2023-12-08 北京嘀嘀无限科技发展有限公司 无监督图像分类模型的训练方法、装置和电子设备
CN111738315A (zh) * 2020-06-10 2020-10-02 西安电子科技大学 基于对抗融合多源迁移学习的图像分类方法
CN111739076A (zh) * 2020-06-15 2020-10-02 大连理工大学 面向多种ct肺部纹理识别的非监督保内容域适应方法
CN111754478A (zh) * 2020-06-22 2020-10-09 怀光智能科技（武汉）有限公司 一种基于生成对抗网络的无监督域适应系统及方法
CN111931814B (zh) * 2020-07-03 2023-12-12 浙江大学 一种基于类内结构紧致约束的无监督对抗域适应方法
CN111931814A (zh) * 2020-07-03 2020-11-13 浙江大学 一种基于类内结构紧致约束的无监督对抗域适应方法
CN111814891A (zh) * 2020-07-15 2020-10-23 大连东软教育科技集团有限公司 医学图像合成方法、装置及存储介质
CN111914912A (zh) * 2020-07-16 2020-11-10 天津大学 一种基于孪生条件对抗网络的跨域多视目标识别方法
CN111914912B (zh) * 2020-07-16 2023-06-13 天津大学 一种基于孪生条件对抗网络的跨域多视目标识别方法
CN111723780A (zh) * 2020-07-22 2020-09-29 浙江大学 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统
CN111723780B (zh) * 2020-07-22 2023-04-18 浙江大学 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统
CN111862260A (zh) * 2020-07-31 2020-10-30 浙江工业大学 基于跨域对偶生成式对抗网络的偏见消除方法与装置
CN111862260B (zh) * 2020-07-31 2024-03-15 浙江工业大学 基于跨域对偶生成式对抗网络的偏见消除方法与装置
CN111881884A (zh) * 2020-08-11 2020-11-03 中国科学院自动化研究所 基于跨模态转化辅助的人脸防伪检测方法、系统及装置
CN112150469A (zh) * 2020-09-18 2020-12-29 上海交通大学 一种基于无监督领域自适应的激光散斑衬比图像分割方法
CN112150469B (zh) * 2020-09-18 2022-05-27 上海交通大学 一种基于无监督领域自适应的激光散斑衬比图像分割方法
CN112116024B (zh) * 2020-09-28 2021-08-13 北京嘀嘀无限科技发展有限公司 用户分类模型的方法、装置、电子设备和存储介质
CN112116024A (zh) * 2020-09-28 2020-12-22 北京嘀嘀无限科技发展有限公司 用户分类模型的方法、装置、电子设备和存储介质
CN112232395A (zh) * 2020-10-08 2021-01-15 西北工业大学 一种基于联合训练生成对抗网络的半监督图像分类方法
CN112232395B (zh) * 2020-10-08 2023-10-27 西北工业大学 一种基于联合训练生成对抗网络的半监督图像分类方法
CN112446423A (zh) * 2020-11-12 2021-03-05 昆明理工大学 一种基于迁移学习的快速混合高阶注意力域对抗网络的方法
CN112396588A (zh) * 2020-11-23 2021-02-23 中国人民大学 一种基于对抗网络的眼底图像识别方法、系统及可读介质
CN112488035A (zh) * 2020-12-14 2021-03-12 南京信息工程大学 一种基于对抗神经网络的跨域行人重识别方法
CN112488035B (zh) * 2020-12-14 2024-04-26 南京信息工程大学 一种基于对抗神经网络的跨域行人重识别方法
CN112766334A (zh) * 2021-01-08 2021-05-07 厦门大学 一种基于伪标签域适应的跨域图像分类方法
CN112766334B (zh) * 2021-01-08 2022-06-21 厦门大学 一种基于伪标签域适应的跨域图像分类方法
CN112801177A (zh) * 2021-01-26 2021-05-14 南京邮电大学 基于标签矫正的无监督领域自适应模型的实现方法
CN112801177B (zh) * 2021-01-26 2022-07-29 南京邮电大学 基于标签矫正的无监督领域自适应模型的实现方法
CN112801179A (zh) * 2021-01-27 2021-05-14 北京理工大学 面向跨领域复杂视觉任务的孪生分类器确定性最大化方法
CN112836739A (zh) * 2021-01-29 2021-05-25 华中科技大学 基于动态联合分布对齐的分类模型建立方法及其应用
CN112836739B (zh) * 2021-01-29 2024-02-09 华中科技大学 基于动态联合分布对齐的分类模型建立方法及其应用
CN112861977B (zh) * 2021-02-19 2024-01-26 中国人民武装警察部队工程大学 迁移学习数据处理方法、系统、介质、设备、终端及应用
CN112861977A (zh) * 2021-02-19 2021-05-28 中国人民武装警察部队工程大学 迁移学习数据处理方法、系统、介质、设备、终端及应用
CN112926673A (zh) * 2021-03-17 2021-06-08 清华大学深圳国际研究生院 一种基于一致性约束的半监督目标检测方法
CN113052243B (zh) * 2021-03-30 2024-09-24 浙江工业大学 基于CycleGAN和条件分布自适应的目标检测方法
CN113052243A (zh) * 2021-03-30 2021-06-29 浙江工业大学 基于CycleGAN和条件分布自适应的目标检测方法
CN113033696A (zh) * 2021-04-13 2021-06-25 浙江大学 基于对比对抗网络的小样本商品图像分类算法及其系统
CN113361566B (zh) * 2021-05-17 2022-11-15 长春工业大学 用对抗性学习和判别性学习来迁移生成式对抗网络的方法
CN113361566A (zh) * 2021-05-17 2021-09-07 长春工业大学 用对抗性学习和判别性学习来迁移生成式对抗网络的方法
CN113191449A (zh) * 2021-05-18 2021-07-30 哈尔滨理工大学 一种基于对抗性域适应的雾天目标检测方法
CN113344044B (zh) * 2021-05-21 2024-05-28 北京工业大学 一种基于领域自适应的跨物种医疗影像分类方法
CN113344044A (zh) * 2021-05-21 2021-09-03 北京工业大学 一种基于领域自适应的跨物种医疗影像分类方法
CN113298189A (zh) * 2021-06-30 2021-08-24 广东工业大学 一种基于无监督域自适应的跨域图像分类方法
CN113298189B (zh) * 2021-06-30 2023-07-07 广东工业大学 一种基于无监督域自适应的跨域图像分类方法
CN113688867B (zh) * 2021-07-20 2023-04-28 广东工业大学 一种跨域图像分类方法
CN113688867A (zh) * 2021-07-20 2021-11-23 广东工业大学 一种跨域图像分类方法
CN113792576A (zh) * 2021-07-27 2021-12-14 北京邮电大学 基于有监督域适应的人体行为识别方法、电子设备
CN113762466B (zh) * 2021-08-02 2023-06-20 国网河南省电力公司信息通信公司 电力物联网流量分类方法及装置
CN113762466A (zh) * 2021-08-02 2021-12-07 国网河南省电力公司信息通信公司 电力物联网流量分类方法及装置
CN113762203B (zh) * 2021-09-17 2023-05-12 中国人民解放军国防科技大学 基于仿真数据的跨域自适应sar图像分类方法、装置及设备
CN113762203A (zh) * 2021-09-17 2021-12-07 中国人民解放军国防科技大学 基于仿真数据的跨域自适应sar图像分类方法、装置及设备
CN114511737A (zh) * 2022-01-24 2022-05-17 北京建筑大学 图像识别域泛化模型的训练方法
CN114463320A (zh) * 2022-02-17 2022-05-10 厦门大学 一种磁共振成像脑胶质瘤idh基因预测方法及系统
CN114463320B (zh) * 2022-02-17 2024-01-26 厦门大学 一种磁共振成像脑胶质瘤idh基因预测方法及系统
CN114549322B (zh) * 2022-02-24 2024-04-16 中山大学 基于无监督领域自适应的图像超分辨方法及装置
CN114549322A (zh) * 2022-02-24 2022-05-27 中山大学 基于无监督领域自适应的图像超分辨方法及装置
CN114912516B (zh) * 2022-04-25 2023-06-06 湖南大学无锡智能控制研究院 一种协调特征一致性和特异性的跨域目标检测方法及系统
CN114912516A (zh) * 2022-04-25 2022-08-16 湖南大学无锡智能控制研究院 一种协调特征一致性和特异性的跨域目标检测方法及系统
CN114821200A (zh) * 2022-06-28 2022-07-29 苏州立创致恒电子科技有限公司 一种应用于工业视觉检测领域的图像检测模型及方法
CN114821200B (zh) * 2022-06-28 2022-09-13 苏州立创致恒电子科技有限公司 一种应用于工业视觉检测领域的图像检测模型及方法
CN117893476A (zh) * 2023-12-15 2024-04-16 南京林业大学 一种基于非对抗性无监督域适应的植物病害检测方法及系统

Also Published As

Publication number Publication date
CN109753992B (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN109753992A (zh) 基于条件生成对抗网络的无监督域适应图像分类方法
Zhang et al. Generative adversarial network with spatial attention for face attribute editing
Kundu et al. Adadepth: Unsupervised content congruent adaptation for depth estimation
CN103824054B (zh) 一种基于级联深度神经网络的人脸属性识别方法
Zong et al. Local-CycleGAN: a general end-to-end network for visual enhancement in complex deep-water environment
Kantipudi et al. Color channel perturbation attacks for fooling convolutional neural networks and a defense against such attacks
Khavalko et al. Image classification and recognition on the base of autoassociative neural network usage
Wu et al. Fish Target Detection in Underwater Blurred Scenes Based on Improved YOLOv5
Wang et al. MDD-ShipNet: Math-Data Integrated Defogging for Fog-Occlusion Ship Detection
Wu et al. Self-driven dual-path learning for reference-based line art colorization under limited data
CN112465836A (zh) 基于轮廓信息的热红外语义分割无监督领域自适应方法
Xia et al. Fish behavior tracking algorithm based on multi-domain deep convolutional neural network
Tan et al. Wide Residual Network for Vision-based Static Hand Gesture Recognition.
CN105389573B (zh) 一种基于局部三值模式分层重构的人脸识别方法
Osumi et al. Domain adaptation using a gradient reversal layer with instance weighting
Chen et al. Class balanced underwater object detection dataset generated by class-wise style augmentation
Meng et al. A Novel Steganography Algorithm Based on Instance Segmentation.
Zhu [Retracted] A Face Recognition System Using ACO‐BPNN Model for Optimizing the Teaching Management System
Lu et al. Research on 3D reconstruction method of human-computer interaction scene based on support vector machine in cloud manufacturing environment
Alshammari et al. Competitive simplicity for multi-task learning for real-time foggy scene understanding via domain adaptation
Wang et al. Image denoising based on artificial bee colony and BP Neural network
Yang [Retracted] Sports Video Athlete Detection Based on Associative Memory Neural Network
Widyarto et al. Wood texture detection with conjugate gradient neural network algorithm
Tan et al. Ensemble Learning Based Multi-Color Space in Convolutional Neural Network
Zhang Image Style Transfer–A Critical Review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant