CN115908892A - 一种基于原型对比自训练的跨域图像分类方法 - Google Patents
一种基于原型对比自训练的跨域图像分类方法 Download PDFInfo
- Publication number
- CN115908892A CN115908892A CN202211230693.4A CN202211230693A CN115908892A CN 115908892 A CN115908892 A CN 115908892A CN 202211230693 A CN202211230693 A CN 202211230693A CN 115908892 A CN115908892 A CN 115908892A
- Authority
- CN
- China
- Prior art keywords
- domain
- prototype
- cross
- image classification
- training
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
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。
Description
技术领域
本发明属于迁移学习领域，具体涉及对比学习和对抗学习在跨域图像分类任务上的应用。
背景技术
无监督领域自适应(Unsupervised domain adaptation,UDA)已成为一个活跃的研究领域，用于解决训练数据和测试数据分布不受独立同分布约束时的泛化问题。基于共变量移位假设，早期的领域自适应研究聚焦于最小化域距离的不变表征学习，包括从统计匹配到对抗学习。还有一些研究将半监督学习(SSL)方法应用于无监督领域自适应场景，因为它们都旨在将模型从标记样本推广到未标记样本。但是，由于域分布的漂移，直接将半监督学习应用于无监督领域自适应效果甚微。因此，最近的工作使用域不变表征学习方法作为桥梁，通过联合优化或初始化来将半监督学习有效应用到无监督领域自适应上。换句话说，域不变表征学习在源域和目标域分布之间构建了一个中间特征分布，减轻了将半监督学习方法应用于无监督领域自适应的难度。因此，当前效果最好方法的范式是通过域不变表征学习学习域不变表示，同时通过半监督学习方法将这些表示规范化到目标域。
尽管域不变表征学习的性能得到了提高，但域不变表征学习与半监督学习方法之间仍然存在不兼容的问题。域不变表征学习专注于域对齐，但由于目标域中的标签稀缺，它们无法实现细粒度对齐。基于集群假设，半监督学习方法将相似的实例聚集在一起，并拉远不同类别的实例。然而，考虑到在类别边界附近的目标域实例，半监督学习方法可能会迫使它们更靠近错误的类别质心，从而加剧域不变表征学习中的错配。
因此，在无监督领域自适应领域，由于域不变表征学习和半监督学习的不兼容，需要研发新方法来解决域不变表征学习和半监督学习的不兼容问题。
发明内容
本发明目的是解决现有技术中存在的问题，并提供一种基于原型对比自训练的跨域图像分类方法。本发明能够编码无标签目标域数据的语义结构，有效提升模型对分类边界附近相似图像数据分类的鲁棒性，改善了模型的整体性能。
在无监督领域自适应场景中最有效的半监督学习是自训练方法。自训练是充分利用未标记数据的一种经典方法，通常用于域不变表征学习的正则化，来将对源域数据的假设向目标域数据调整。然而，简单地将自训练应用于无监督领域自适应有一个共同的缺点：忽略未标记数据的语义结构，只关注实例预测本身。未标记目标数据的语义结构进行编码，本发明将原型(Prototype)对比学习引入到自训练中，称为原型对比自训练(PCST)。具体而言，本发明中提到的原型被定义为“一组具有相同伪标签的实例嵌入的簇心”。
本发明具体采用的技术方案如下：
一种基于原型对比自训练的跨域图像分类方法，其步骤如下：
S1：基于有标签的源域图像数据集和无标签的目标域图像数据集，通过域不变特征学习方法，获得由图像特征提取网络和图像分类网络级联而成的跨域图像分类模型；
S2：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，使用每个批次的伪标签类别数据不断更新每个类别的原型，所述更新方式为：在目标域的每个批次数据中，先根据伪标签的类别计算该批次对应类别的原型，然后使用指数移动平均策略将每个批次计算出的原型更新到对应类别的原型中；完成各类别的原型更新后，根据每个类别的数据应该更接近对应类别的原型的原理，计算图像分类网络的原型对比损失；
S3：将跨域图像分类模型中的图像特征提取网络和图像分类网络重新初始化，再结合跨域图像分类模型对目标域数据伪标签的分类损失和原型对比损失计算模型的目标函数，从而进行用于无监督跨域图像分类的原型对比自训练，优化更新跨域图像分类模型中的特征抽取网络与图像分类网络，在跨域图像分类模型收敛之后，再重新回到步骤S2循环执行，直至达到预设的最大循环次数，完成跨域图像分类模型的训练；
S4：基于S3中训练得到的跨域图像分类模型，对输入的目标域图像预测图像的分类。
作为优选，所述S1中，所述域不变特征学习方法通过Min-Max对抗学习框架实现。
作为优选，所述S2中，每个类别的原型更新公式如下：
其中ck表示第k个类别的原型，由每个批次数据上对应类别k的原型
来更新，F为图像特征提取网络，α为平滑参数，nt表示一个批次中的目标域图像样本数量，
表示目标域图像数据集的一个批次中的第i个图像样本，K表示图像的类别总数；1[·]∈{0,1}表示指示函数，当[·]中的条件为真时指示函数的值为1，否则值为0；
表示图像样本
对应的类别伪标签。
作为优选，所述平滑参数α默认设置为0.1。
作为优选，所述S2中，原型对比损失Lpc的计算公式如下：
其中
为图像样本
通过图像特征提取网络F后得到的特征，
表示图像样本
对应的类别伪标签，sim(·,·)表示余弦相似度计算函数。
作为优选，所述模型的目标函数如下：
其中Lpl为目标域数据伪标签的分类损失，Lpc为原型对比损失，μ为均衡两种损失的超参数。
作为优选，所述超参数μ在每一轮训练过程中从0线性变化至1。
作为优选，所述大规模图像的预训练模型为在ImageNet上预训练的ResNet-50网络。
作为优选，所述图像分类网络采用多层感知机模型通过域不变特征学习方法训练得到。
作为优选，所述S3中，使用ImageNet预训练的参数重新初始化图像特征提取网络F，同时随机初始化图像分类网络C。
相对于现有技术而言，本发明的有益效果如下：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存在的不兼容问题，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。与逐实例自训练方法相比，本发明将样本匹配到对应的原型，对异常实例数据具有更强的鲁棒性，模型优化收敛更快、更平稳。
附图说明
图1为基于原型对比自训练的跨域图像分类方法的步骤示意图；
图2为本发明方法的训练流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步阐述和说明。
如图1所示，在本发明的一个较佳实施例中，提供了一种基于原型对比自训练的跨域图像分类方法，其步骤如S1～S4所示：
S1：基于有标签的源域图像数据集和无标签的目标域图像数据集，通过域不变特征学习方法，获得由图像特征提取网络F和图像分类网络C级联而成的跨域图像分类模型。
在无监督领域自适应场景下，需要先获取一个有标签的图像源数据集和一个无标签的图像目标数据集，源数据集和目标数据集的分布通常是不同的，但是它们的类别集合是相同的。在本实施例的上述跨域图像分类模型中，使用大规模图像的预训练模型来初始化图像特征提取网络F，同时上述图像分类网络C可采用随机初始化的三层多层感知机模型作为初始模型，整个跨域图像分类模型可通过域不变特征学习方法训练得到，具体可采用基于Min-Max对抗学习框架的域不变特征学习方法。
在本发明的后续实施例中，给出了一个基于域间对比对抗学习的跨域图像分类模型(DCAN)，该模型不仅实现了传统域对抗训练方法所能达到的“域”层次的对齐，还保留了每个域内的内部结构，在实现域对齐的同时每个域内不同类别的目标也形成了比较好的聚类，实现了域之间“类别”层级的对齐，这有效提高了模型迁移到目标数据集上分类的准确性。
但是，需要说明的是，本发明中的跨域图像分类模型并不仅限于DCAN，传统的域自适应神经网络DANN亦可以应用于本发明中作为跨域图像分类模型。
S2：利用当前最新的跨域图像分类模型(F+C)预测目标域上图像的伪标签，使用每个批次的伪标签类别数据不断更新每个类别的原型，所述更新方式为：在目标域的每个批量数据中，先根据伪标签的类别计算该批次对应类别的原型，然后使用指数移动平均策略将每个批次计算出的原型更新到对应类别的原型中；完成各类别的原型更新后，根据每个类别的数据应该更靠近对应类别的原型的原理，计算图像分类网络的原型对比损失。
在本实施例中，上述S2中，每个类别的原型更新公式如下：
其中ck表示第k个类别的原型，由每个批次数据上对应类别k的原型
来更新，F为图像特征提取网络，α为平滑参数(默认设置为0.1)，nt表示一个批次中的图像样本数量，
表示目标域图像数据集的一个批次中的第i个图像样本，K表示图像的类别总数；1[·]∈{0,1}表示指示函数，当[·]中的条件为真时指示函数的值为1，否则值为0；
表示图像样本
对应的类别伪标签。
在本实施例中，上述S2中，原型对比损失Lpc的计算公式如下：
其中
为图像样本
通过图像特征提取网络F后得到的特征，
表示图像样本
对应的类别伪标签，sim(·,·)表示余弦相似度计算函数。
本发明中，训练类别分类器的时候会使用无监督领域自适应中常用的域对抗网络，从而获得不同域之间的不变表征。
S3：将图像分类模型中的图像特征提取网络和跨域图像分类网络重新初始化，再结合图像分类模型对目标域数据伪标签的分类损失和原型对比损失计算模型的目标函数，从而进行用于无监督跨域图像分类的原型对比自训练，优化更新图像分类模型中的特征抽取网络与跨域图像分类网络，在跨域图像分类模型收敛之后，将优化更新后的特征抽取网络与跨域图像分类网络，作为当前最新的特征抽取网络与当前最新的跨域图像分类网络，再重新回到步骤S2循环执行，不断循环该过程直至达到预设的最大循环次数(一般可设置为10次)，完成图像分类模型的训练。
在本实施例中，上述图像分类模型的目标函数如下：
其中Lpl为目标域数据伪标签的分类损失，Lpc为原型对比损失；μ为均衡两种损失的超参数，该超参数μ在每一轮训练过程中按照迭代步数从0线性变化至1。
需要注意的是，在上述图像分类模型训练过程的每次迭代中，模型会先基于上一迭代中的图像特征提取网络F和跨域图像分类网络C对目标数据集进行伪标签标注，然后使用ImageNet预训练的参数重新初始化F，随机初始化C，再在训练过程中进一步优化F和C。用ImageNet预训练模型的参数重新初始化模型可以提高自适应效果，因为这种实现可以减轻源域数据的干扰，因此模型可以通过迭代学习来更彻底地消除源域的偏见。
S4：基于S3中训练得到的图像分类模型，对输入的目标域图像预测图像的分类。
下面将上述实施例中S1～S4所示的基于原型对比自训练的跨域图像分类方法应用于具体的数据集中，以展示其技术效果。
实施例
本实施例采用Office-31等图像分类数据集，评估了跨域图像分类网络DCAN在该任务上的性能。Office-31是一个用于无监督领域自适应的通用数据集，它由31个办公环境类别的4110张图片组成，这些图片来自三个不同的域：亚马逊网站(A)、数码单反相机(D)和网络相机(W)。数据集在不同的域之间是不平衡的，A域有2817张图片，D域有498张图片，W域有795张图片。
如图1所示，本实例按照上述S1～S4所述的方法流程，使用所有有标签的源域数据和所有无标签的目标域目标样本，训练得到一个跨域图像分类模型(命名为PCST)，并比较分类精度。
其中，本实施例中S1步骤初始的跨域图像分类模型命名为DCAN，它是通过一种基于域间对比对抗学习的跨域图像分类方法得到的，其步骤如S11～S13所示：
S11：获取一个有标签的源域图像数据集和一个无标签的目标域图像数据集，其中源域图像数据集和目标域图像数据集的分布通常是不同的，但是包含的图像类别集合相同。
S12：基于Min-Max对抗学习框架构建跨域图像分类模型，包括一个图像特征提取网络F、一个图像分类网络C和一个特征映射网络H，从而将图像数据转化到一个高维的隐空间中；在该隐空间中根据样本来自源域还是目标域构建正负样本对，并计算域对比损失Lcts；基于Min-Max对抗学习框架，结合域对比损失Lcts和图像分类网络C的分类损失Lcls对所述跨域图像分类模型进行联合优化。具体实现步骤如S121和S122所示：
S121：基于Min-Max对抗学习框架构建跨域图像分类模型；在所构建的跨域图像分类模型中，先通过一个图像特征提取网络F提取图像特征，再将图像特征提取网络F的输出通过一个图像分类网络C预测图像的类别，图像分类网络C的输出再由一个映射网络H映射到高维隐空间，后续的对比学习将在这个隐空间中进行。
其中，上述图像特征提取网络F采用一个预训练的ResNet-50网络；上述图像分类网络C采用一个三层的多层感知机模型，并使用ReLU激活函数；上述特征映射网络H采用一个三层的多层感知机模型，隐藏层的维度为1024，并使用ReLU激活函数。
S122：在所述高维隐空间中，以采样自相同域的图像样本作为正样本对，采样来自不同域的图像样本作为负样本对，计算域对比损失Lcts，公式如下：
其中：li表示第i个图像样本的损失值；1[·]∈{0,1}表示指示函数，当[·]中的条件为真时指示函数的值为1，否则值为0；di∈{0,1}和dj∈{0,1}分别表示第i个图像样本和第j个图像样本的域标签；ns和nt分别是源域图像数据集和目标域图像数据集的一个批次的数据量；sim(·,·)表示余弦相似度计算函数，vi和vj分别表示第i个图像样本和第j个图像样本各自在特征映射网络H中的输出；τ是温度参数。
然后基于Min-Max对抗学习框架，结合域对比损失Lcts和分类损失Lcls得到总损失目标函数，公式表示如下：
其中：Lcls为图像分类网络C在源域上的分类损失，在本实施例中，上述分类损失Lcls采用交叉熵损失；λ为均衡域对比损失Lcts和分类损失Lcls的权重超参数，λ取值为1。
再在源域图像数据集和目标域图像数据集上，基于上述总损失目标函数优化求解所述跨域图像分类模型，获得优化后的图像特征提取网络F、图像分类网络模型C以及特征映射网络H。
S13：以S12中联合优化得到的图像特征提取网络F和图像分类网络C级联为最终的DCAN网络。
而除S1步骤之外，S2～S4步骤如前所述，不再赘述。S3训练完毕的跨域图像分类模型为PCST模型。
最终，在PCST模型以及其他的对比模型在数据集上的分类准确性实验结果如表1所示。
表1 实验结果
上述对比模型的具体做法可参见以下现有技术文献：
1.MSTN
Shaoan Xie,Zibin Zheng,Liang Chen,and Chuan Chen.2018.LearningSemantic Representations for Unsupervised Domain Adaptation.In Proceedings ofthe 35th International Conference on Machine Learning(ICML).
2.BNM
Shuhao Cui,Shuhui Wang,Junbao Zhuo,Liang Li,Qingming Huang,and QiTian.2020.Towards Discriminability and Diversity:Batch Nuclear-NormMaximization Under Label Insufficient Situations.In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).
3.RSDA
Xiang Gu,Jian Sun,and Zongben Xu.2020.Spherical Space DomainAdaptation With Robust Pseudo-Label Loss.In Proceedings of the IEEE/CVFConference on Computer Vision and Pattern Recognition(CVPR).
4.SPL
Qian Wang and Toby P.Breckon.2020.Unsupervised Domain Adaptation viaStructured Prediction Based Selective Pseudo-Labeling.In The Thirty-FourthAAAI Conference on Artificial Intelligence(AAAI).6243–6250.
5.SHOT
Jian Liang,Dapeng Hu,and Jiashi Feng.2020.Do We Really Need to Accessthe Source Data？Source Hypothesis Transfer for Unsupervised DomainAdaptation.In Proceedings of the 37th International Conference on MachineLearning(ICML).
6.HDMI
Qicheng Lao,Xiang Jiang,and Mohammad Havaei.2021.Hypothesis DisparityRegularized Mutual Information Maximization.In Thirty-Fifth AAAI Conferenceon Artificial Intelligence(AAAI).
7.FixBi
Jaemin Na,Heechul Jung,Hyung Jin Chang,and Wonjun Hwang.2021.FixBi:Bridging Domain Spaces for Unsupervised Domain Adaptation.In Proceedings ofthe IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).
本实施例还进行了消融实验，消融实验结果如表2所示。
表2 消融实验结果
上述消融实验中，PCST w/o Lpl表示不使用Lpl损失进行训练，PCST w/o Lpc表示不使用Lpc损失进行训练，DCAN为S1步骤得到的跨域图像模型。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种基于原型对比自训练的跨域图像分类方法，其特征在于，步骤如下：
S1：基于有标签的源域图像数据集和无标签的目标域图像数据集，通过域不变特征学习方法，获得由图像特征提取网络和图像分类网络级联而成的跨域图像分类模型；
S2：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，使用每个批次的伪标签类别数据不断更新每个类别的原型，所述更新方式为：在目标域的每个批量数据中，先根据伪标签的类别计算该批次对应类别的原型，然后使用指数移动平均策略将每个批次计算出的原型更新到对应类别的原型中；完成各类别的原型更新后，根据每个类别的数据应该更接近对应类别的原型的原理，计算图像分类网络的原型对比损失；
S3：将跨域图像分类模型中的图像特征提取网络和图像分类网络重新初始化，再结合跨域图像分类模型对目标域数据伪标签的分类损失和原型对比损失计算模型的目标函数，从而进行用于无监督跨域图像分类的原型对比自训练，优化更新跨域图像分类模型中的特征抽取网络与图像分类网络，在跨域图像分类模型收敛之后，再重新回到步骤S2循环执行，直至达到预设的最大循环次数，完成跨域图像分类模型的训练；
S4：基于S3中训练得到的跨域图像分类模型，对输入的目标域图像预测图像的分类。
2.如权利要求1所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述S1中，所述域不变特征学习方法通过Min-Max对抗学习框架实现。
3.如权利要求1所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述S2中，每个类别的原型更新公式如下：
其中ck表示第k个类别的原型，由每个批次数据上对应类别k的原型
来更新，F为图像特征提取网络，α为平滑参数，nt表示一个批次中的目标域图像样本数量，
表示目标域图像数据集的一个批次中的第i个图像样本，K表示图像的类别总数；1[·]∈{0,1}表示指示函数，当[·]中的条件为真时指示函数的值为1，否则值为0；
表示图像样本
对应的类别伪标签。
4.如权利要求3所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述平滑参数α默认设置为0.1。
5.如权利要求1所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述S2中，原型对比损失Lpc的计算公式如下：
其中
为图像样本
通过图像特征提取网络F后得到的特征，
表示图像样本
对应的类别伪标签，sim(·,·)表示余弦相似度计算函数。
6.如权利要求1所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述模型的目标函数如下：
其中Lpl为目标域数据伪标签的分类损失，Lpc为原型对比损失，μ为均衡两种损失的超参数。
7.如权利要求1所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述超参数μ在每一轮训练过程中从0线性变化至1。
8.如权利要求1所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述大规模图像的预训练模型为在ImageNet上预训练的ResNet-50网络。
9.如权利要求1所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述图像分类网络采用多层感知机模型通过域不变特征学习方法训练得到。
10.如权利要求1所述的基于原型对比自训练的跨域图像分类方法，其特征在于，所述S3中，使用ImageNet预训练的参数重新初始化图像特征提取网络F，同时随机初始化图像分类网络C。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211230693.4A CN115908892A (zh) | 2022-10-09 | 2022-10-09 | 一种基于原型对比自训练的跨域图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211230693.4A CN115908892A (zh) | 2022-10-09 | 2022-10-09 | 一种基于原型对比自训练的跨域图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115908892A true CN115908892A (zh) | 2023-04-04 |
Family
ID=86471645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211230693.4A Pending CN115908892A (zh) | 2022-10-09 | 2022-10-09 | 一种基于原型对比自训练的跨域图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115908892A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703897A (zh) * | 2023-08-02 | 2023-09-05 | 青岛兴牧畜牧科技发展有限公司 | 一种基于图像处理的猪只体重估值方法 |
| CN116910571A (zh) * | 2023-09-13 | 2023-10-20 | 南京大数据集团有限公司 | 一种基于原型对比学习的开集域适应方法及系统 |
| CN117132841A (zh) * | 2023-10-26 | 2023-11-28 | 之江实验室 | 一种保守渐进的领域自适应图像分类方法和装置 |
| CN117934890A (zh) * | 2024-03-21 | 2024-04-26 | 南京信息工程大学 | 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 |
| CN117934890B (zh) * | 2024-03-21 | 2024-06-11 | 南京信息工程大学 | 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 |
-
2022
- 2022-10-09 CN CN202211230693.4A patent/CN115908892A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703897A (zh) * | 2023-08-02 | 2023-09-05 | 青岛兴牧畜牧科技发展有限公司 | 一种基于图像处理的猪只体重估值方法 |
| CN116703897B (zh) * | 2023-08-02 | 2023-10-13 | 青岛兴牧畜牧科技发展有限公司 | 一种基于图像处理的猪只体重估值方法 |
| CN116910571A (zh) * | 2023-09-13 | 2023-10-20 | 南京大数据集团有限公司 | 一种基于原型对比学习的开集域适应方法及系统 |
| CN116910571B (zh) * | 2023-09-13 | 2023-12-08 | 南京大数据集团有限公司 | 一种基于原型对比学习的开集域适应方法及系统 |
| CN117132841A (zh) * | 2023-10-26 | 2023-11-28 | 之江实验室 | 一种保守渐进的领域自适应图像分类方法和装置 |
| CN117132841B (zh) * | 2023-10-26 | 2024-03-29 | 之江实验室 | 一种保守渐进的领域自适应图像分类方法和装置 |
| CN117934890A (zh) * | 2024-03-21 | 2024-04-26 | 南京信息工程大学 | 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 |
| CN117934890B (zh) * | 2024-03-21 | 2024-06-11 | 南京信息工程大学 | 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476168B (zh) | 一种基于三阶段的跨域行人重识别方法和系统 | |
| CN115908892A (zh) | 一种基于原型对比自训练的跨域图像分类方法 | |
| Massiceti et al. | Random forests versus neural networks—what's best for camera localization? | |
| CN107609460B (zh) | 一种融合时空双重网络流和attention机制的人体行为识别方法 | |
| Mancini et al. | Adagraph: Unifying predictive and continuous domain adaptation through graphs | |
| Sohn et al. | Unsupervised domain adaptation for distance metric learning | |
| Choudhuri et al. | Distribution alignment using complement entropy objective and adaptive consensus-based label refinement for partial domain adaptation | |
| CN113326731A (zh) | 一种基于动量网络指导的跨域行人重识别算法 | |
| CN110781928B (zh) | 一种提取图像多分辨率特征的图像相似度学习方法 | |
| Wang et al. | Towards realistic predictors | |
| CN110705591A (zh) | 一种基于最优子空间学习的异构迁移学习方法 | |
| Mao et al. | Source free unsupervised graph domain adaptation | |
| Pang et al. | Iterative dynamic generic learning for face recognition from a contaminated single-sample per person | |
| WO2021253226A1 (en) | Learning proxy mixtures for few-shot classification | |
| CN114780767A (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及系统 | |
| Wang et al. | From indoor to outdoor: Unsupervised domain adaptive gait recognition | |
| CN116883751A (zh) | 基于原型网络对比学习的无监督领域自适应图像识别方法 | |
| Wu et al. | Person re-identification by ranking ensemble representations | |
| CN114444605B (zh) | 一种基于双重不平衡场景下的无监督域适应方法 | |
| Kawewong et al. | Fast online incremental transfer learning for unseen object classification using self-organizing incremental neural networks | |
| CN115797642A (zh) | 基于一致性正则化与半监督领域自适应图像语义分割算法 | |
| CN114792114A (zh) | 一种基于黑盒多源域通用场景下的无监督域适应方法 | |
| CN111931788A (zh) | 基于复值的图像特征提取方法 | |
| CN112905599A (zh) | 基于端到端的分布式深度哈希检索方法 | |
| Yadav et al. | CDA: Contrastive-adversarial Domain Adaptation |
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 |