[发明专利]基于低置信度样本对比损失的域适应学习方法及系统

权利要求书

1.一种基于低置信度样本对比损失的域适应学习方法，其特征在于，包括：

根据设定阈值从目标域图像集合中筛选出低置信度样本集合；

对于每一低置信度样本图像，使用数据增强方法获得两个不同的增强视图图像，称为第一增强视图图像与第二增强视图图像，并在源域图像集合中随机选择源域样本图像，使用数据增强方法获得两个不同的增强视图图像，称为第三增强视图图像与第四增强视图图像；

将所述第一增强视图图像与第三增强视图图像混合后作为查询图像，将所述查询图像输入至第一图像分类模型中，通过所述第一图像分类模型进行图像特征提取并进行重新表示获得第一重新表示特征；将所述第二增强视图图像与第四增强视图图像分别输入至第二图像分类模型中，通过所述第二图像分类模型分别进行图像特征提取并进行重新表示获得对应的重新表示特征；将所述第二增强视图图像与所述第四增强视图图像对应的重新表示特征混合构成混合重新表示特征，过程表示为：

其中，F为所述第一图像分类模型中的特征提取器，为所述第二图像分类模型中的特征提取器，为L2范数标准化函数，为对图像特征进行重新表示的函数；为查询图像，为使用L2范数标准化函数对查询图像的特征进行标准化处理后获得的图像特征，为第一重新表示特征；为第i个低置信度样本图像对应的第二增强视图图像，为使用L2范数标准化函数对的特征进行标准化处理后获得的图像特征，为图像特征对应的重新表示特征；为源域样本图像对应的第四增强视图图像，为使用L2范数标准化函数对的特征进行标准化处理后获得的图像特征，为图像特征对应的重新表示特征；为混合重新表示特征，为所述第一增强视图图像与第三增强视图图像混合时使用的混合系数；

将所述第一重新表示特征作为查询特征，其余所有重新表示特征作为对比特征，利用查询特征与各个对比特征的差异构造对比损失，并结合所述第一图像分类模型的基础损失构造总损失函数对所述第一图像分类模型进行训练；其中，其余所有重新表示特征包括：第二增强视图图像与第四增强视图图像对应的重新表示特征，以及混合重新表示特征。

2.根据权利要求1所述的一种基于低置信度样本对比损失的域适应学习方法，其特征在于，将所述第一增强视图图像与第三增强视图图像混合的方式表示为：

其中，为混合系数，为Beta分布的参数，为所述第一增强视图图像与第三增强视图图像混合时使用的混合系数，它是通过max函数获得的新的混合系数；为第i个低置信度样本图像对应的第一增强视图图像，为源域样本图像对应的第三增强视图图像，为混合获得的查询图像。

3.根据权利要求1所述的一种基于低置信度样本对比损失的域适应学习方法，其特征在于，对图像特征进行重新表示的函数表示为：

其中，为第一图像分类模型中分类器C的权值，表示softmax函数；，为第二图像分类模型中分类器的权值，T为转置符号，为重新表示时的温度系数。

4.根据权利要求1所述的一种基于低置信度样本对比损失的域适应学习方法，其特征在于，利用查询特征与各个对比特征的差异构造对比损失表示为：

其中，为查询特征，为混合重新表示特征，为所述第二增强视图图像对应的重新表示特征，为所述第四增强视图图像对应的重新表示特征，为记忆库M中存储的通过所述第二图像分类模型获得的其他低置信度样本图像的第二增强视图图像对应的重新表示特征；为余弦相似性函数。