[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

说明书

本发明公开了一种基于区分置信度水平的可迁移图像识别方法及系统，其首先采用源域数据训练得到源域预训练模型，利用源域模型训练得到的参数作为目标域模型的特征提取参数和分类参数，使目标域模型基于源域模型的训练参数从目标域数据中选出伪标签可信样本，并利用选出的可信样本为不可信样本赋予伪标签和权重，有效地降低了当前所有目标域图像伪标签的不确定性；最后通过带有伪标签的目标域数据和源域数据一起训练优化目标域模型，使最终得到的目标域模型的目标图像识别性能得到了极大提高，能够进行快速的迁移和有效的图像识别工作；并有效减少对于目标图像识别的标注，大量减少人力物力。

技术领域

本发明涉及图像分类识别技术领域，尤其是涉及一种基于区分置信度水平的可迁移图像识别方法及系统。

背景技术

可迁移的图像识别是指在进行图像识别时，利用分布相似但不同的已标注图像来指导当前无标签的图像进行准确识别的技术。大数据时代下，分析数据中隐含的价值信息来指导人们的生活和生产已成为一个良性的发展趋势。但在现实场景下，收集到大量无标签的数据非常容易，而在某些任务上进行准确的人工标注是非常耗时耗力的，比如对大规模的传感器图像的准确标注。在这种限制下，我们可以借助已有标注图像，利用标注图像和欲识别图像分布之间的相似性，指导当前图像识别的任务。例如，当两个不同的传感器A和B采集相同任务的图像时，且传感器A的图像（一般称为源域图像）已被标注，由于传感器A和B中采集的图像类别相同，传感器B可以借助传感器A已经标注数据进行有效的图像识别，而不用为传感器B得到的数据进行大规模的标注。但是由于传感器A和B设备内部构造等的不同，两者收集到的图像数据存在着分布差异，那么如何在图像分布差异存在的情况下，实现对传感器B收集到的图像（一般称为目标域图像）进行准确识别是当前可迁移图像识别问题中的一个难点。传统方法：在传感器收集的数据上进行准确的标注，重新训练一个模型，将模型用以图像识别任务，但是此过程产生昂贵人力浪费，且在大数据背景下，对所有收集到的数据进行准确的人工标注极其不现实。

目前，解决可迁移图像识别方法的主要分为以下四种类型：

（1）基于图像样本重要性估计的图像识别方法，基本思想是假设源域图像和目标域图像的分布之间存在着交集，通过计算源域图像样本点与重叠分布的距离估计源域图像样本中的重要性，优化加权后的损失函数；

（2）基于高阶矩匹配的方法，其核心思路是试图最小化源域的图像分布和目标域图像分布之间的高维统计量差异；

（3）基于伪标签的方法试图给目标域每个图像先赋予伪标签，并筛选可信图像样本实现模型的监督训练；

（4）基于对抗训练的方法，通过引入域判别器来区分图像样本是来自源域图像还是目标域图像，并在此过程中学习有效的特征表示，以此实现对目标域图像的准确识别。

其主要体现在以下两点：（1）在已有标注的源域图像上训练可以有效识别源域图像的模型（2）最小化源域图像分布和目标域图像分布之间的差距。这些方法的重心并未放在目标域图像上，即使基于伪标签技术也只用到了部分的目标域样本，但被标注为不可信的目标图像数据在模型的训练中还是丢弃了，而这些被过滤掉的图像极有可能是进行有效图像识别的关键，故如何降低这部分样本的不确定性，并将其用到模型的训练中，是有效提升图像识别性能的核心。

发明内容

本发明的目的在于克服上述技术不足，提出一种基于区分置信度水平的可迁移图像识别方法及系统，其能有效降低目标域图像样本伪标签的不确定性，将其用于模型的训练中，而不是仅仅选择可信伪标签标签的目标域样本用以训练。

为达到上述技术目的，本发明的技术方案第一方面提供一种基于区分置信度水平的可迁移图像识别方法，其包括如下步骤：

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；