1.基于标签矫正的无监督领域自适应模型的实现方法,其特征在于,具体步骤包括如下:步骤(101)、基于对抗的领域自适应思想,构建无监督领域自适应模型;
步骤(102)、对构建的无监督领域自适应模型进行预训练;
步骤(103)、预训练完成后,对构建的无监督领域自适应模型中的标签矫正器初始化;
步骤(104)、增加使用逆相对熵训练标签矫正器,增加熵损失辅助聚类;
其中,所述标签矫正器的目的是标签的主动矫正,由以下损失函数表示,式中,KL表示相对熵损失,表示模型预测值, 表示伪标签变量,Le表示是一个熵损失;
所述的相对熵损失是非对称损失,其参数的顺序能够影响训练结果,根据实际情况和理论分析,此处使用的参数顺序为最佳;
具体地,通过求导分析,具体如下式所述:
式中,K表示图片类别数量,i表示某张图片,j表示某类;
上述方式能够提取和保留正确分类信息于 再反向矫正标签预测;最终的目标函数如下所示,式中,θG、θB、θC和θD分别代表G、B、C和D的参数,λ、α、β表示平衡参数;其中,α、β是随任务变化的,λ随训练迭代过程不断变化
2.根据权利要求1所述的基于标签矫正的无监督领域自适应模型的实现方法,其特征在于,在步骤(101)中,所述构建的模型具体包括特征提取器、类别分类器、领域判别器及标签矫正器四个部分。
3.根据权利要求1所述的基于标签矫正的无监督领域自适应模型的实现方法,其特征在于,在步骤(102)中,所述对构建的模型进行预训练具体情况如下:所述的预训练是指对特征提取器、类别分类器和领域判别器的训练;
其包含2个损失函数,分别为分类损失和域判别损失如下所示,式中,ns和nt分别表示源域和目标域样本数量,L表示交叉熵损失,G、C和D分别表示特征提取器、类别分类器和领域判别器,x表示样本图片,y表示样本标签;通过最小化Ly‑Ld优化G和C的参数,通过最大化Ly‑Ld优化D的参数。
4.根据权利要求1所述的基于标签矫正的无监督领域自适应模型的实现方法,其特征在于,在步骤(103)中,对构建的模型进行预训练完成后,从而得到一个准确的模型预测值作为标签矫正器的初始值。