CN113469273A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113469273A
CN113469273A CN202110816631.0A CN202110816631A CN113469273A CN 113469273 A CN113469273 A CN 113469273A CN 202110816631 A CN202110816631 A CN 202110816631A CN 113469273 A CN113469273 A CN 113469273A
Authority
CN
China
Prior art keywords
domain
image
network
pseudo
source
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
CN202110816631.0A
Other languages
English (en)
Other versions
CN113469273B (zh
Inventor
田青
朱雅喃
马闯
杨宏
许衡
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 University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110816631.0A priority Critical patent/CN113469273B/zh
Publication of CN113469273A publication Critical patent/CN113469273A/zh
Application granted granted Critical
Publication of CN113469273B publication Critical patent/CN113469273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

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。

Description

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
技术领域
本发明涉及迁移学习技术领域，具体为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。
背景技术
域适应，主要解决源域与目标域之间分布不同的相似任务决策问题，通过将源域知识迁移到目标域中，解决目标域任务。目前，域适应已经应用在诸多领域并取得了成功。例如，在语义分割方面，传统的语义分割会利用分布相同的现实照片作为训练集，实现现实世界中的物体识别问题。但是，采集这些照片并手动赋予标签是一件耗时耗力的事情，因此研究者们引入域适应方法，以其他场景的图像作为训练集(其分布与待完成任务的图像分布相似但不相同)，并取得了良好的效果。
无监督域适应的目的是将有标签的源域样本中所学知识传递给无标签的目标域样本。一方面，已有的一些方法通过直接缩减域分布差异来显式地减缓知识传递的难度，但这种方式会混淆域特有信息和域不变信息，从而导致负迁移；另一方面，在双向生成的对抗方法中，还有一些研究希望将目标域样本生成与源域分布足够相似的伪源域样本，然后利用源域知识为其直接进行分类，但实际情况中，生成模型在面对特定任务时往往需要特定的参数，这导致其不具备泛化能力，且生成的伪源域样本不能完全符合源域样本分布，为此，提出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。
发明内容
本发明的目的在于提供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，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：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，包括以下步骤：
S1、双向生成网络：利用对抗博弈思想对图像进行训练生成；
S2、任务网络：通过重构损失、协方差对齐损失、任务和循环一致性损失监督指导S1生成图像的质量，保证图像身份信息，生成与另一个域样本分布相似的图像，将目标域图像所生成的伪源域图像与源域图像同时输入S3网络；
S3、分类网络：特征提取，分布对齐，令伪源域图像与源域图像分布靠近，对目标域图像分类。
优选的：在所述S1中，将源域图像与目标域图像进行归一化预处理之后，同时输入到S1生成网络中。
优选的：所述S1网络由两个生成器和两个判别器组成，两个生成器和两个判别器分为：源域分支的生成器GS、目标域分支生成器GT、源域分支的判别器DS和目标域分支的判别器DT；
所述源域分支的生成器GS，用于生成伪目标域图像IS-t；
所述源域分支的判别器DS，用于判别源域图像和伪源域图像；
所述目标域分支生成器GT，用于生成伪源域图像It-s；
所述目标域分支判别器DT，用于判别目标域图像和伪目标域图像。
优选的：所述S1双向生成网络所产生的对抗损失如下所示：
Figure BDA0003170341730000038
Figure BDA0003170341730000031
其中，
Figure BDA0003170341730000032
为目标域图像分布，
Figure BDA0003170341730000033
为源域图像分布。
优选的：在所述S2中，任务网络用于指导和监督生成网络。
优选的：所述S2任务网络所产生的重构损失如下所示：
Figure BDA0003170341730000034
其中，Is为源域已有标签的图像，It为目标域待分类图像。
优选的：所述S2任务网络生成过程中，生成图像的身份信息与原图像维持一致；
所述任务网络S2，对应Is的输出为Ts，对应It的输出为Tt，对应Is-t的输出为Ts_t，对应It-s的输出为Tt_s，由此产生的任务和循环一致性损失，如下所示：
Figure BDA0003170341730000035
Figure BDA0003170341730000036
优选的：在所述S3中，目标与图像与伪目标域图像的分布尽可能接近，任务网络中首次加入协方差对齐损失，定义形式如下：
Figure BDA0003170341730000037
其中，CS为源域图像中心化后的协方差矩阵，CT_S为生成的伪源域图像中心化后的协方差矩阵，CT为目标域图像中心化后的协方差矩阵，CS_T为生成的伪目标域图像中心化后的协方差矩阵，d为图像通道维度；
利用任务网络所提供的以上监督指导信息，生成网络不断训练迭代，最终生成符合期待的伪源域图像，将伪源域图像作为中间域图像，替代传统深度域适应网络中的目标域图像，经分类网络的再次对齐，得到目标域最终分类结果。
优选的：在将源域图像与伪源域图像，同时输入到S3分类网络中，分类网络中的对齐损失定义如下：
Figure BDA0003170341730000041
其中，XS和XZ分别服从分布P(XS)和分布P(Xz)，当P(XS)＝P(XZ)时，Mk(XS,Xz)＝0，ns为源域样本数量，nz为伪源域样本数量，XZ为伪源域样本；
Figure BDA0003170341730000042
用于将原变量映射到具有再生性<K(x,.),K(y,.)>H＝K(x,y)的再生核希尔伯特空间中。
与现有技术相比，本发明的有益效果是：
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。
附图说明
图1是基于基于双向生成及中间域对齐的无监督域适应方法框架图；
图2是由任务网络监督指导生成网络的模型图；
图3是分类网络的模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
请参阅图1-3，本发明提供一种技术方案：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，包括以下步骤：
S1、双向生成网络：利用对抗博弈思想对图像进行训练生成；
S2、任务网络：通过重构损失、协方差对齐损失、任务和循环一致性损失监督指导S1生成图像的质量，保证图像身份信息，生成与另一个域样本分布相似的图像，将目标域图像所生成的伪源域图像与源域图像同时输入S3网络；
S3、分类网络：特征提取，分布对齐，令伪源域图像与源域图像分布靠近，对目标域图像分类。
本实施例中，具体的：在所述S1中，将源域图像与目标域图像进行归一化预处理之后，同时输入到S1生成网络中。
本实施例中，具体的：所述S1网络由两个生成器和两个判别器组成，两个生成器和两个判别器分为：源域分支的生成器GS、目标域分支生成器GT、源域分支的判别器DS和目标域分支的判别器DT；
所述源域分支的生成器GS，用于生成伪目标域图像IS-t；
所述源域分支的判别器DS，用于判别源域图像和伪源域图像；
所述目标域分支生成器GT，用于生成伪源域图像It-s；
所述目标域分支判别器DT，用于判别目标域图像和伪目标域图像。
本实施例中，具体的：所述S1双向生成网络所产生的对抗损失如下所示：
Figure BDA0003170341730000061
Figure BDA0003170341730000062
其中，
Figure BDA0003170341730000063
为目标域图像分布，
Figure BDA0003170341730000064
为源域图像分布。
本实施例中，具体的：在所述S2中，任务网络用于指导和监督生成网络。
本实施例中，具体的：所述S2任务网络所产生的重构损失如下所示：
Figure BDA0003170341730000065
其中，Is为源域已有标签的图像，It为目标域待分类图像。
本实施例中，具体的：所述S2任务网络生成过程中，生成图像的身份信息与原图像维持一致；
所述任务网络S2，对应Is的输出为Ts，对应It的输出为Tt，对应Is-t的输出为Ts_t，对应It-s的输出为Tt_s，由此产生的任务和循环一致性损失，如下所示：
Figure BDA0003170341730000066
Figure BDA0003170341730000071
本实施例中，具体的：在所述S3中，目标与图像与伪目标域图像的分布尽可能接近，任务网络中首次加入协方差对齐损失，定义形式如下：
Figure BDA0003170341730000072
其中，CS为源域图像中心化后的协方差矩阵，CT_S为生成的伪源域图像中心化后的协方差矩阵，CT为目标域图像中心化后的协方差矩阵，CS_T为生成的伪目标域图像中心化后的协方差矩阵，d为图像通道维度；
利用任务网络所提供的以上监督指导信息，生成网络不断训练迭代，最终生成符合期待的伪源域图像，将伪源域图像作为中间域图像，替代传统深度域适应网络中的目标域图像，经分类网络的再次对齐，得到目标域最终分类结果。
本实施例中，具体的：参照图3，在将源域图像与伪源域图像，同时输入到S3分类网络中，分类网络中的对齐损失定义如下：
Figure BDA0003170341730000073
其中，XS和XZ分别服从分布P(XS)和分布P(Xz)，当P(XS)＝P(XZ)时，Mk(XS,Xz)＝0，ns为源域样本数量，nz为伪源域样本数量，XZ为伪源域样本；
Figure BDA0003170341730000074
用于将原变量映射到具有再生性<K(x,.),K(y,.)>H＝K(x,y)的再生核希尔伯特空间中，分类网络在对齐损失的监督下，经过训练迭代，最终能够实现对伪源域图像的精确分类工作。
工作原理或者结构原理，使用时，本发明提出一种全新的双向生成及中间域对齐的无监督域适应方法框架，利用对抗博弈思想对图像进行训练生成双向生成网络，接着通过重构损失、协方差对齐损失、任务和循环一致性损失来监督指导双向生成网络生成图像的质量，双向生成网络在既保证图像身份信息的同时，又能生成与另一个域样本分布相似的图像。当双向生成网络和任务网络训练完成时，将目标域图像所生成的伪源域图像与源域图像同时输入分类网络，分类网络通过特征提取，分布对齐等操作，令二者分布足够靠近，从而对目标域图像分类，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。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.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，其特征在于，包括以下步骤：
S1、双向生成网络：利用对抗博弈思想对图像进行训练生成；
S2、任务网络：通过重构损失、协方差对齐损失、任务和循环一致性损失监督指导S1生成图像的质量，保证图像身份信息，生成与另一个域样本分布相似的图像，将目标域图像所生成的伪源域图像与源域图像同时输入S3网络；
S3、分类网络：特征提取，分布对齐，令伪源域图像与源域图像分布靠近，对目标域图像分类。
2.根据权利要求1所述的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，其特征在于：在所述S1中，将源域图像与目标域图像进行归一化预处理之后，同时输入到S1生成网络中。
3.根据权利要求2所述的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，其特征在于：所述S1网络由两个生成器和两个判别器组成，两个生成器和两个判别器分为：源域分支的生成器GS、目标域分支生成器GT、源域分支的判别器DS和目标域分支的判别器DT；
所述源域分支的生成器GS，用于生成伪目标域图像IS-t；
所述源域分支的判别器DS，用于判别源域图像和伪源域图像；
所述目标域分支生成器GT，用于生成伪源域图像It-s；
所述目标域分支判别器DT，用于判别目标域图像和伪目标域图像。
4.根据权利要求3所述的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，其特征在于：所述S1双向生成网络所产生的对抗损失如下所示：
Figure FDA0003170341720000021
Figure FDA0003170341720000022
其中，
Figure FDA0003170341720000026
为目标域图像分布，
Figure FDA0003170341720000027
为源域图像分布。
5.根据权利要求1所述的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，其特征在于：在所述S2中，任务网络用于指导和监督生成网络。
6.根据权利要求1所述的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，其特征在于：所述S2任务网络所产生的重构损失如下所示：
Figure FDA0003170341720000023
其中，Is为源域已有标签的图像，It为目标域待分类图像。
7.根据权利要求6所述的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，其特征在于：所述S2任务网络生成过程中，生成图像的身份信息与原图像维持一致；
所述任务网络S2，对应Is的输出为Ts，对应It的输出为Tt，对应Is-t的输出为Ts_t，对应It-s的输出为Tt_s，由此产生的任务和循环一致性损失，如下所示：
Figure FDA0003170341720000024
Figure FDA0003170341720000025
8.根据权利要求1所述的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，其特征在于：在所述S3中，目标与图像与伪目标域图像的分布尽可能接近，任务网络中首次加入协方差对齐损失，定义形式如下：
Figure FDA0003170341720000031
其中，CS为源域图像中心化后的协方差矩阵，CT_S为生成的伪源域图像中心化后的协方差矩阵，CT为目标域图像中心化后的协方差矩阵，CS_T为生成的伪目标域图像中心化后的协方差矩阵，d为图像通道维度；
利用任务网络所提供的以上监督指导信息，生成网络不断训练迭代，最终生成符合期待的伪源域图像，将伪源域图像作为中间域图像，替代传统深度域适应网络中的目标域图像，经分类网络的再次对齐，得到目标域最终分类结果。
9.根据权利要求1所述的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，其特征在于：在将源域图像与伪源域图像，同时输入到S3分类网络中，分类网络中的对齐损失定义如下：
Figure FDA0003170341720000032
其中，XS和XZ分别服从分布P(XS)和分布P(Xz)，当P(XS)＝P(XZ)时，Mk(XS,Xz)＝0，ns为源域样本数量，nz为伪源域样本数量，XZ为伪源域样本；
Figure FDA0003170341720000033
用于将原变量映射到具有再生性<K(x,.),K(y,.)>H＝K(x,y)的再生核希尔伯特空间中。
CN202110816631.0A 2021-07-20 2021-07-20 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 Active CN113469273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110816631.0A CN113469273B (zh) 2021-07-20 2021-07-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110816631.0A CN113469273B (zh) 2021-07-20 2021-07-20 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

Publications (2)

Publication Number Publication Date
CN113469273A true CN113469273A (zh) 2021-10-01
CN113469273B CN113469273B (zh) 2023-12-05

Family

ID=77881223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110816631.0A Active CN113469273B (zh) 2021-07-20 2021-07-20 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

Country Status (1)

Country Link
CN (1) CN113469273B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693972A (zh) * 2022-03-29 2022-07-01 电子科技大学 一种基于重建的中间域领域自适应方法
CN117456309A (zh) * 2023-12-20 2024-01-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于中间域引导与度量学习约束的跨域目标识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110705713A (zh) * 2019-08-26 2020-01-17 北方工业大学 一种基于生成对抗网络的领域特有特征对齐方法
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
CN111126464A (zh) * 2019-12-13 2020-05-08 南京邮电大学 一种基于无监督域对抗领域适应的图像分类方法
US20210012162A1 (en) * 2019-07-09 2021-01-14 Shenzhen Malong Technologies Co., Ltd. 3d image synthesis system and methods
US20210042643A1 (en) * 2019-08-09 2021-02-11 GE Precision Healthcare LLC Active surveillance and learning for machine learning model authoring and deployment
CN112395987A (zh) * 2020-11-18 2021-02-23 西安电子科技大学 基于无监督域适应cnn的sar图像目标检测方法
CN112541580A (zh) * 2020-12-31 2021-03-23 南京航空航天大学 一种基于主动对抗学习的半监督域自适应方法
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210012162A1 (en) * 2019-07-09 2021-01-14 Shenzhen Malong Technologies Co., Ltd. 3d image synthesis system and methods
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
US20210042643A1 (en) * 2019-08-09 2021-02-11 GE Precision Healthcare LLC Active surveillance and learning for machine learning model authoring and deployment
CN110705713A (zh) * 2019-08-26 2020-01-17 北方工业大学 一种基于生成对抗网络的领域特有特征对齐方法
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
CN111126464A (zh) * 2019-12-13 2020-05-08 南京邮电大学 一种基于无监督域对抗领域适应的图像分类方法
CN112395987A (zh) * 2020-11-18 2021-02-23 西安电子科技大学 基于无监督域适应cnn的sar图像目标检测方法
CN112541580A (zh) * 2020-12-31 2021-03-23 南京航空航天大学 一种基于主动对抗学习的半监督域自适应方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ANDREA ROSALES SANABRIA 等: "Unsupervised Domain Adaptation in Activity Recognition: A GAN-Based Approach", 《IEEE ACCESS》, vol. 9, pages 19421 - 19438, XP011837771, DOI: 10.1109/ACCESS.2021.3053704 *
QING TIAN 等: "Unsupervised Domain Adaptation via bidirectional generation and middle domains alignment", 《ELSEVIER》, vol. 102, pages 1 - 13 *
李卓蓉: "生成式对抗网络研究及其应用", 《中国博士学位论文全文数据库信息科技辑》, no. 2019, pages 138 - 25 *
李晶晶 等: "领域自适应研究综述", 《计算机工程》, vol. 47, no. 6, pages 1 - 13 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693972A (zh) * 2022-03-29 2022-07-01 电子科技大学 一种基于重建的中间域领域自适应方法
CN114693972B (zh) * 2022-03-29 2023-08-29 电子科技大学 一种基于重建的中间域领域自适应方法
CN117456309A (zh) * 2023-12-20 2024-01-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于中间域引导与度量学习约束的跨域目标识别方法
CN117456309B (zh) * 2023-12-20 2024-03-15 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于中间域引导与度量学习约束的跨域目标识别方法

Also Published As

Publication number Publication date
CN113469273B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN113469273A (zh) 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
CN112800937A (zh) 一种智能人脸识别方法
Tsai et al. Adversarial domain separation and adaptation
CN107045640A (zh) 一种用于图像识别的基于邻域保持和核子空间对齐的方法
CN112069992A (zh) 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质
CN112069993A (zh) 基于五官掩膜约束的密集人脸检测方法及系统和存储介质
CN114565808A (zh) 一种面向无监督视觉表示的双动量对比学习方法
Yu et al. Pedestrian detection based on improved Faster RCNN algorithm
CN116486172A (zh) 基于语义表征的无监督域适应图像分类方法
Yang et al. Channel expansion convolutional network for image classification
Wang et al. Fake face images detection and identification of celebrities based on semantic segmentation
Jiang et al. Seeking salient facial regions for cross-database micro-expression recognition
Su et al. SIGAN: a novel image generation method for solar cell defect segmentation and augmentation
CN114626461A (zh) 基于领域自适应的跨域目标检测方法
Rožanec et al. Synthetic data augmentation using GAN for improved automated visual inspection
Hu et al. Towards facial de-expression and expression recognition in the wild
Wei et al. Task-oriented contrastive learning for unsupervised domain adaptation
Peng et al. A face detection framework based on deep cascaded full convolutional neural networks
Balgi et al. Contradistinguisher: a vapnik’s imperative to unsupervised domain adaptation
CN116309466A (zh) 一种基于对比学习的跨域目标检测方法
Zhao et al. Object detector based on enhanced multi-scale feature fusion pyramid network
CN113887509B (zh) 一种基于图像集合的快速多模态视频人脸识别方法
Sabri et al. One-shot learning for facial sketch recognition using the siamese convolutional neural network
Pham et al. Vietnamese scene text detection and recognition using deep learning: An empirical study
Wu et al. Sketchscene: Scene sketch to image generation with diffusion models

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