CN114492574B 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法 （中国矿业大学）

号基于高斯均匀混合模型的伪标签损失无监本发明公开了一种基于高斯均匀混合模型通过迁移学习或领域适应的方法来利用相关源域的大量可用的注释数据跨域迁移知识到相关法融合了高斯均匀混合模型检测离群值与深度对每一类的目标样本特征到类均值的余弦距离标样本伪标签提出的辅助伪标签损失加入神经2步骤S2、搭建预训练的深度神经网络；基于步骤在初次训练高斯均匀混合模型时，使用初始化的神经网络为步骤预训练的特征提取器网络，利用目标样本的后验概率的伪标签损失对域适应任务进行学2.根据权利要求1所述的一种基于高斯均匀混合模型的伪标签损失无监督对抗域适应调整获取源域和目标域图像的尺寸，在固定长宽比的条件下，将图像由[0,255]取值范围的PIL.image转化为Tensor，并将取值范围归一化到[0,1]33.根据权利要求2所述的一种基于高斯均匀混合模型的伪标签损失无监督对抗域适应的特征提取器G为ResNet残差网络模型和256个神经元的全连接神经网络；对特征提取器G所述分类器D为一层的全连接神经网络，神经元数量与图像类别数量相向经过判别器之后传播到特征提取器时，梯度反转层通过对梯度取反乘系数的操作之后，将标准化处理后的源域样本特征和目标域样本特征分别输入到领域判别器D，领域判域对抗损失最小化基于如下的标准监督式二分4在前向传播时计算二分类交叉熵损失，反向传播时当梯度经过提取器G和分类器C作为学习高斯均匀混合模型的预训4.根据权利要求3所述的一种基于高斯均匀混合模型的伪标签损失无监督对抗域适应步骤S3.2、建立高斯均匀混合模型，其中特征提取器G为步骤S2中获取的预训练后的其中ff为输入的目标域的第j个目标样本图像经过特征提取器得到的目标样本特征；其中表示目标域的第j个目标样本经过特征提取器和分类器得到的分类预基于得到的目标域图像样本的伪标签，将目标域分类为C类，计其中表示由目标样本输入特征提取器G得到的目标域的第j个目标样本的特征到5进行高斯均匀混合模型建模：其中πk表示内点的先验概率，σk表示高斯分布的标准差，δk表示均匀分布参数；高斯分量对正确标记的目标数据建模，均匀分量对错误标其中l表示EM算法的迭代次数，E步利用对隐变65.根据权利要求4所述的一种基于高斯均匀混合模型的伪标签损失无监督对抗域适应步骤S4.2、训练对抗域适应网络；无监督对抗域适应学习中特征提取器G为常规ImageNet数据集上预训练的残差网络构件；将经过预处理后的源域步骤S4.3、利用目标样本的后验概率的伪标签损失对域适7[0002]目前现有技术在图像分类或动作识别的大规模数据集上取得了令人印象深刻的8特征输入分类器中获取目标样本伪标签；所述特征提取器提取的特征为目标域的样本特特征提取器为在常规ImageNet数据集上预训练的特征提取器网络；输入源域和目标域图像，通过对抗域适应网络的前向传播分别获取源域和目标域图像分类器和判别器的输出；[0013]步骤S5、重复步骤S3-S4，通过迭代分别训练对抗域适应网络和高斯均匀混合模[0018]将图像由[0,255]取值范围的PIL.image转化为Tensor，并将取值范围归一化到9[0027]将标准化处理后的源域样本特征和目标域样本特征分别输入到领域判别器D，领有样本中的第m个样本的特征，D(G(xm))为所有样本中的第m个样本领域判别器的预测输特征提取器G和分类器C作为学习高斯均匀混合[0038]其中ff为输入的目标域的第j个目标样本图像经过特征提取器得到的目标样本特征；将标准化的目标域图像样本特征输入到分类器C，得到目标域图像样本的伪标[0040]其中表示目标域的第j个目标样本经过特征提取器和分类器得到的分[0043]其中表示由目标样本输入特征提取器G得到的目标域的第j个目标样本的特c(x)表示目标样本输入特征提取器G得到的目标域[0046]其中πk表示内点的先验概率，σk表示高斯分布的标准差，δk表示均匀分布参数；和不带标签的目标域，其中带标签的源域和不带标签的目标域的图像都作为训练集使用，[0070]本发明提供了一种基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片[0073]将图像由[0,255]取值范围的PIL.image转化为Tensor，并将取值范围归一化到[0082]将标准化处理后的源域样本特征和目标域样本特征分别输入到领域判别器D，领有样本中的第m个样本的特征，D(G(xm))为所有样本中的第m个样本领域判别器的预测输特征提取器G和分类器C作为学习高斯均匀混合[0093]其中ff为输入的目标域的第j个目标样本图像经过特征提取器得到的目标样本特征；将标准化的目标域图像样本特征输入到分类器C，得到目标域图像样本的伪标[0095]其中表示目标域的第j个目标样本经过特征提取器和分类器得到的分[0098]其中表示由目标样本输入特征提取器G得到的目标域的第j个目标样本的特c(x)表示目标样本输入特征提取器G得到的目标域[0101]其中πk表示内点的先验概率，σk表示高斯分布的标准差，δk表示均匀分布参数；和不带标签的目标域，其中带标签的源域和不带标签的目标域的图像都作为训练集使用