本發(fā)明涉及圖像分類，尤其是涉及一種基于潛在域和類別多樣性的圖像分類方法及系統(tǒng)。

背景技術：

1、隨著深度神經網絡在圖像分類、視頻分析和圖像語義分割等計算機視覺任務中的成功應用，如何在沒有標注數(shù)據(jù)的目標域中實現(xiàn)高效模型遷移成為了亟待解決的問題。傳統(tǒng)的有監(jiān)督學習方法依賴于大規(guī)模帶標簽數(shù)據(jù)進行訓練，當模型應用于與訓練集分布不一致的目標域時，性能往往大幅下降。為此，無監(jiān)督域自適應（uda）應運而生，其目的是通過源域帶標簽數(shù)據(jù)訓練的模型在無標簽的目標域上保持高泛化性。然而，由于源域與目標域分布差異顯著，如何提取有效的跨域不變特征是uda領域的主要挑戰(zhàn)之一。

2、目前，主流的uda方法主要包括基于對抗網絡的域混淆方法和基于度量的域對齊方法。然而，這些方法要么無法提升特征的區(qū)分度，要么無法有效地捕捉類別級別的跨域差異。此外，已有研究還探索了通過生成對抗網絡（gan）生成中間圖像來作為源域和目標域的橋梁，但此類方法往往忽略了域間特征的結構性信息，從而影響了對齊效果。盡管已有方法引入了中間域來緩解源域和目標域的分布差異，但往往忽略了類別多樣性和特征結構的連貫性，從而影響跨域識別效果。

3、在圖像分類任務中，類別多樣性最大化是實現(xiàn)模型泛化的重要策略。通過促進模型生成具有豐富類別分布的預測，能夠顯著提升模型對不同類別樣本的區(qū)分能力。為此，亟需提出一種基于潛在域和類別多樣性的圖像分類方法，通過構建潛在域逐步對齊源域和目標域的分布，同時最大化類別多樣性，進一步提升模型的跨域分類性能，提高圖像分類精確度。

技術實現(xiàn)思路

1、為了解決上述提到的問題，本發(fā)明提供一種基于潛在域和類別多樣性的圖像分類方法及系統(tǒng)。通過生成結構一致的潛在域來縮小源域和目標域之間的分布差異，最大化類別多樣性，實現(xiàn)精確的跨域對齊。

2、第一方面，本發(fā)明提供的一種基于潛在域和類別多樣性的圖像分類方法，采用如下的技術方案：

3、一種基于潛在域和類別多樣性的圖像分類方法，包括：

4、獲取圖像數(shù)據(jù)，包括獲取源域和目標域的圖像數(shù)據(jù)；

5、對源域和目標域的圖像數(shù)據(jù)進行預處理；

6、構建域自適應圖像分類模型；

7、對構建的域自適應圖像分類模型進行模型訓練；

8、利用訓練好的域自適應圖像分類模型進行圖像分類。

9、進一步地，所述獲取源域和目標域的圖像數(shù)據(jù)，包括獲取帶標簽的圖像數(shù)據(jù)集作為源域數(shù)據(jù)，用于訓練模型；獲取無標簽的圖像數(shù)據(jù)集作為目標域數(shù)據(jù)，用于測試模型的泛化能力，其中，源域數(shù)據(jù)存放在目錄結構下，每個子目錄代表一個類別，每個類別下有多張圖像，目標域數(shù)據(jù)只包含輸入圖像。

10、進一步地，所述對源域和目標域的圖像數(shù)據(jù)進行預處理，包括調整圖像數(shù)據(jù)的大小，并對圖像進行數(shù)據(jù)增強，以及對增強后的圖像進行圖像，裁剪和圖像縮放，最后通過歸一化使圖像中的像素值分布符合標準正態(tài)分布。

11、進一步地，所述構建域自適應圖像分類模型，包括構建一個潛在域，以連接源域和目標域，利用最大均值差異mmd來計算潛在域和目標域的全局分布差異，從而得到域級對齊損失，同時通過最大化預測分布的熵來鼓勵類別平衡，最后通過小批次的方式進行類一致的偽標簽生成，以增強類別一致性。

12、進一步地，所述構建域自適應圖像分類模型，還包括使用監(jiān)督學習和熵損失來優(yōu)化源域和目標域的模型參數(shù)，其中，對于源域的數(shù)據(jù)，采用監(jiān)督學習方法來訓練分類器，對于目標域的數(shù)據(jù)，采用熵損失來最大化模型預測的不確定性，即熵。

13、進一步地，所述對構建的模型進行訓練，包括利用源域的圖像數(shù)據(jù)對模型進行初始訓練，通過最小化源域分類損失，使模型獲得對源域特征的分類能力；再引入潛在域生成、類級別對齊、域級別對齊和類別多樣性最大化策略，對模型進行聯(lián)合優(yōu)化。

14、進一步地，所述利用訓練好的模型進行圖像分類，包括使用經過訓練的模型對目標域的圖像樣本進行推理，其中，將目標域樣本圖像的特征首先映射至模型的分類頭，通過分類頭的多層網絡結構輸出類別概率分布，根據(jù)最大概率值確定樣本的類別標簽，由于標域沒有類別標簽，在對目標域進行圖像分類時使用偽標簽，其中偽標簽生成基于目標域數(shù)據(jù)的預測概率分布。

15、第二方面，一種基于潛在域和類別多樣性的圖像分類系統(tǒng)，包括：

16、數(shù)據(jù)獲取模塊，被配置為，獲取圖像數(shù)據(jù)，包括獲取源域和目標域的圖像數(shù)據(jù)；

17、預處理模塊，被配置為，對源域和目標域的圖像數(shù)據(jù)進行預處理；

18、模型構建模塊，被配置為，構建域自適應圖像分類模型；

19、模型訓練模塊，被配置為，對構建的域自適應圖像分類模型進行模型訓練；

20、圖像分類模塊，被配置為，利用訓練好的域自適應圖像分類模型進行圖像分類。

21、第三方面，本發(fā)明提供一種計算機可讀存儲介質，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執(zhí)行所述的一種基于潛在域和類別多樣性的圖像分類方法。

22、第四方面，本發(fā)明提供一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現(xiàn)各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執(zhí)行所述的一種基于潛在域和類別多樣性的圖像分類方法。

23、綜上所述，本發(fā)明具有如下的有益技術效果：

24、本發(fā)明通過生成潛在域來逐步對齊源域和目標域的分布差異，采用類級別和域級別的多層次對齊策略，使源域、潛在域和目標域在特征分布上實現(xiàn)一致性，顯著提高了模型在跨域分類任務中的精度。同時，本發(fā)明引入基于熵的類別多樣性損失項，防止目標域類別分布不均衡問題，增強了模型的類別區(qū)分能力和泛化能力。此外，類別驅動的小批次域翻譯模塊（cdbdt）在小批次級別生成類一致的偽標簽，確保潛在域實例的類別一致性，從而提升了模型對類別結構的識別能力和跨域適應性。采用無監(jiān)督領域適應技術，目標域無需人工標注，大幅降低了數(shù)據(jù)標注成本，使得該方法適用于多種無標注場景。通過整合源域分類損失、類級和域級對齊損失及類別多樣性損失的聯(lián)合訓練策略，本發(fā)明顯著提升了模型的訓練效率和穩(wěn)定性。綜上所述，本發(fā)明在無監(jiān)督領域適應的圖像分類任務中表現(xiàn)出色，具備較強的泛化能力、精度和應用價值。

技術特征：

1.一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，包括：

2.根據(jù)權利要求1所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述獲取源域和目標域的圖像數(shù)據(jù)，包括獲取帶標簽的圖像數(shù)據(jù)集作為源域數(shù)據(jù)，用于訓練模型；獲取無標簽的圖像數(shù)據(jù)集作為目標域數(shù)據(jù)，用于測試模型的泛化能力，其中，源域數(shù)據(jù)存放在目錄結構下，每個子目錄代表一個類別，每個類別下有多張圖像，目標域數(shù)據(jù)只包含輸入圖像。

3.根據(jù)權利要求2所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述對源域和目標域的圖像數(shù)據(jù)進行預處理，包括調整圖像數(shù)據(jù)的大小，并對圖像進行數(shù)據(jù)增強，以及對增強后的圖像進行圖像，裁剪和圖像縮放，最后通過歸一化使圖像中的像素值分布符合標準正態(tài)分布。

4.根據(jù)權利要求3所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述構建域自適應圖像分類模型，包括構建一個潛在域，以連接源域和目標域，利用最大均值差異mmd來計算潛在域和目標域的全局分布差異，從而得到域級對齊損失，同時通過最大化預測分布的熵來鼓勵類別平衡，最后通過小批次的方式進行類一致的偽標簽生成，以增強類別一致性。

5.根據(jù)權利要求4所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述構建域自適應圖像分類模型，還包括使用監(jiān)督學習和熵損失來優(yōu)化源域和目標域的模型參數(shù)，其中，對于源域的數(shù)據(jù)，采用監(jiān)督學習方法來訓練分類器，對于目標域的數(shù)據(jù)，采用熵損失來最大化模型預測的不確定性，即熵。

6.根據(jù)權利要求5所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述對構建的模型進行訓練，包括利用源域的圖像數(shù)據(jù)對模型進行初始訓練，通過最小化源域分類損失，使模型獲得對源域特征的分類能力；再引入潛在域生成、類級別對齊、域級別對齊和類別多樣性最大化策略，對模型進行聯(lián)合優(yōu)化。

7.根據(jù)權利要求6所述的一種基于潛在域和類別多樣性的圖像分類方法，其特征在于，所述利用訓練好的模型進行圖像分類，包括使用經過訓練的模型對目標域的圖像樣本進行推理，其中，將目標域樣本圖像的特征首先映射至模型的分類頭，通過分類頭的多層網絡結構輸出類別概率分布，根據(jù)最大概率值確定樣本的類別標簽，由于標域沒有類別標簽，在對目標域進行圖像分類時使用偽標簽，其中偽標簽生成基于目標域數(shù)據(jù)的預測概率分布。

8.一種基于潛在域和類別多樣性的圖像分類系統(tǒng)，其特征在于，包括：

9.一種計算機可讀存儲介質，其中存儲有多條指令，其特征在于，所述指令適于由終端設備的處理器加載并執(zhí)行如權利要求1所述的方法。

10.一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現(xiàn)各指令；計算機可讀存儲介質用于存儲多條指令，其特征在于，所述指令適于由處理器加載并執(zhí)行如權利要求1所述的方法。

技術總結
本發(fā)明涉及圖像分類技術領域，尤其是涉及一種基于潛在域和類別多樣性的圖像分類方法及系統(tǒng)。方法，包括獲取圖像數(shù)據(jù)，包括獲取源域和目標域的圖像數(shù)據(jù)；對源域和目標域的圖像數(shù)據(jù)進行預處理；構建域自適應圖像分類模型；對構建的域自適應圖像分類模型進行模型訓練；利用訓練好的域自適應圖像分類模型進行圖像分類。本發(fā)明通過生成潛在域來逐步對齊源域和目標域的分布差異，采用類級別和域級別的多層次對齊策略，使源域、潛在域和目標域在特征分布上實現(xiàn)一致性，顯著提高了模型在跨域分類任務中的精度。

技術研發(fā)人員：王夢如,劉驚雷
受保護的技術使用者：煙臺大學
技術研發(fā)日：
技術公布日：2025/1/6