1.一种基于混合增强对比的黑盒源域无监督领域自适应方法,其特征在于:具体步骤如下:步骤1、获取目标域数据集,目标域数据集为图像数据集,将目标域数据集中的每个目标域样本输入黑盒源域,获得源域预测,代表样本属于源域中每个类的概率,根据源域预测计算每个类别的原型样本和学习难度阈值;
步骤2、将每个目标域样本输入目标模型,计算目标模型输出的互信息熵和与源域预测的相对熵作为蒸馏损失;
步骤3、计算并存储每个目标域样本与类原型样本特征之间的距离作为非线性预测,增加早期学习正则化项,配合蒸馏损失初始化目标模型,迭代更新所有目标域样本特征以保留目标模型训练早期的易学习特征;
步骤4、根据步骤1得到的源域预测以及步骤3得到的非线性预测计算伪标签,根据步骤1得到的学习难度阈值为目标样本筛选置信的非同类样本,将两者按相等比例混合增强后重新获得特征充当混合负样本特征;
步骤5、根据类原型样本特征及步骤4得到的混合负样本特征计算混合增强对比损失,使得每个目标样本与类原型近,与其他类原型和混合负样本远;
步骤6、随机选择目标样本对按0.25和0.75的比例进行混合数据增强,根据其在目标模型的输出和其混合后的伪标签计算交叉熵;
步骤7、整体损失计算梯度,反向传播,迭代更新网络参数、类原型特征、学习难度阈值直至损失收敛,对目标域样本进行预测得到预测标签,与目标域样本的真实标签比较,对于每一类计算出该类的平均分类准确率作为度量结果,其中,在步骤5中,最小化目标域样本的infoNCE损失函数,其中样本特征作为锚点,类原型特征作为正样本,其他类原型特征及混合增强样本特征作为负样本,同时为了减小不确定数据对模型训练的影响,使用其置信度作为权重系数,定义如下:,
其中表示锚样本特征,表示当前类原型特征,表示各个类原型特征,表示混合负样本特征,K表示类别数,表示该样本对应的混合负样本数量,表示置信度,表示温度系数,、、和均经过归一化操作。
2.根据权利要求1所述的一种基于混合增强对比的黑盒源域无监督领域自适应方法,其特征在于:在步骤1中根据源域预测计算每个类别的原型样本和学习难度阈值,具体表示为:,
,
其中表示目标域样本,表示源域模型预测第k类的概率,为超参数,表示原型样本,表示学习难度阈值。
3.根据权利要求1所述的一种基于混合增强对比的黑盒源域无监督领域自适应方法,其特征在于:步骤2中构造了蒸馏损失,通过最小化蒸馏损失来更新目标模型,蒸馏损失由相对熵和互信息熵组成,定义如下:,
,
,
其中表示相对熵,表示目标模型,表示自信息熵,
表示知识蒸馏损失,表示经验风险,表示所有的目标域样本,表示当前目标域样本,表示互信息最大化损失,表示总的蒸馏损失。
4.根据权利要求1所述的一种基于混合增强对比的黑盒源域无监督领域自适应方法,其特征在于:在步骤3中通过早期学习正则化项来正则化模型训练过程,保留模型早期记忆的具有正确标签的干净样本,防止噪声数据影响,储存器用于记录每个样本的非线性预测,并通过动量策略基于新的预测进行更新,非线性预测、动量策略和早期学习正则化项定义如下:,
,
,
其中为L2范式,为softmax函数,表示类原型样本,为超参数,表示早期学习正则化项,表示第个样本在当前模型的中的非线性预测, 表示储存器中记录的的非线性预测。
5.根据权利要求1所述的一种基于混合增强对比的黑盒源域无监督领域自适应方法,其特征在于:目标模型的线性和非线性预测均有其局限性,在步骤4中综合两者获得伪标签,通过伪标签为目标样本筛选置信的非同类样本进行混合增强,定义如下:,
,
其中表示与第i个样本拥有相同伪标签且置信度大于学习难度阈值的目标样本集合,将第i个样本与集合中的每个样本进行混合增强,获得增强后样本特征作为混合增强对比负样本,混合增强定义如下:,
,
其中,表示维度和形状相同的两个数据,表示混合比例。
6.根据权利要求1所述的一种基于混合增强对比的黑盒源域无监督领域自适应方法,其特征在于:在步骤6中,随机选择目标域样本对进行混合数据增强,根据其混合后的伪标签计算交叉熵,通过最小化交叉熵再次优化目标模型,交叉熵定义如下:,
其中表示交叉熵损失,和表示在目标域中随机选取的两个样本,和分别表示和的伪标签向量。
7.根据权利要求1所述的一种基于混合增强对比的黑盒源域无监督领域自适应方法,其特征在于:在步骤7中,计算整体损失,反向传播,迭代更新网络参数,整体损失定义如下:,
其中、和为超参数,表示知识蒸馏损失, 表示互信息最大化损失,表示早期学习正则化项, 表示权重系数,表示交叉熵损失。