[发明专利]基于区分置信度水平的可迁移图像识别方法及系统

权利要求书

1.一种基于区分置信度水平的可迁移图像识别方法，其特征在于，包括如下步骤：

S1、采用源域数据对基础训练模型进行训练，得到源域预训练模型，

S2、利用源域预训练模型的参数初始化目标域模型的特征提取参数和分类参数；

S3、利用初始化的目标域模型为全体目标域数据赋予伪标签，将每一类伪标签中具有较小信息熵的部分样本标注为高置信度样本，并将每一类伪标签中剩余具有较大信息熵的部分样本标注为低置信度样本；

S4、计算低置信度样本的图像特征和所有类伪标签的类原型之间的距离，将距离最小的类原型的类别标签赋给低置信度样本；

S5、综合计算源域数据的交叉熵损失函数以及目标域伪标签数据的交叉熵损失函数，将计算得到的总损失函数对目标域模型进行优化；

S6、迭代步骤S2至S5,利用带有伪标签的目标域数据和源域数据不断迭代训练优化目标域模型。

2.根据权利要求1所述基于区分置信度水平的可迁移图像识别方法，其特征在于，所述步骤S3包括如下分步骤：

S31、利用初始化的目标域模型为全体目标域数据赋予伪标签；

S32、计算每一个样本的信息熵，利用伪标签将所有样本分为不同类别；

S33、在每一个类别中对该类的所有样本的信息熵进行排序，将每一类别中信息熵较小的部分样本标注为高置信度样本，将剩余部分信息熵较大的样本标注为低置信度样本。

3.根据权利要求1所述基于区分置信度水平的可迁移图像识别方法，其特征在于，所述步骤S4包括如下分步骤：

S41、对高置信度样本的特征进行求均值得到高置信度样本的特征均值；

S42、将每一类的高置信度样本的特征均值作为该类的类原型；

S43、计算低置信度样本与每一类伪标签的类原型之间的距离，将距离最近的类原型的伪标签赋予给所述低置信度样本。

4.根据权利要求1所述基于区分置信度水平的可迁移图像识别方法，其特征在于，所述步骤S5包括如下分步骤：

S51、利用赋予伪标签的目标域样本对目标域模型进行自监督训练，并计算目标域伪标签数据的自监督损失函数；

S52、利用源域数据对目标域模型进行训练，并计算源域数据的交叉熵损失函数；

S53、根据目标域伪标签数据的自监督损失函数和源域数据的交叉熵损失函数综合计算得到的总损失函数；

S54、利用总损失函数对目标域模型进行优化。

5.根据权利要求2所述基于区分置信度水平的可迁移图像识别方法，其特征在于，在步骤S32中，通过softmax函数计算每个样本的概率值，并利用所得概率值计算每一个样本的信息熵。

6.根据权利要求1所述基于区分置信度水平的可迁移图像识别方法，其特征在于，在为低置信度样本赋予标签后，将距离最近的类原型的伪标签的余弦相似度作为该类伪标签的权重一起用于交叉熵损失函数的训练中。

7.根据权利要求1所述基于区分置信度水平的可迁移图像识别方法，其特征在于，所述低置信度样本与每一类伪标签的类原型之间的距离的计算公式如下：

上式中，表示低置信度样本经过特征提取器输出的特征值，表示和k类类原型之间的余弦相似度，表示和k类类原型之间的距离，表示通过神经网络输出的图像特征，表示所有可信样本类原型的集合。