1.一种基于少样本无监督域适应的跨域图像分类方法,其特征在于,具体步骤如下:S1:获取标记源域图像样本数据和未标记目标域图像样本数据作为训练数据集;
S2:构造特征提取器,并使用预训练模型,将步骤S1中源域样本和目标域样本输入以提取特征;
S3:搭建基于样本选择策略、对抗域适应和原型学习的模型;
所述的样本选择策略基于样本的置信度和相似性,用于扩充源域样本,使模型无需额外未标记源域数据,包含以下子步骤:S31:在每个训练时期计算得分矩阵,其中表示一对样本的量化分数,定义为对应特征之间的欧几里得距离:,其中表示特征提取器提取到的样本特征;
S32:通过找到每行的最小值的列索引,为每个目标样本找到最接近的源样本:,
S33:通过索引可以找到无标签目标样本的最相似标记源样本,形成一个相似度较高无干扰的源数据集,表示为:,
其中表示与目标域每个未标记样本最相似的标记源域组成的集合,,都表示与目标域每个未标记样本最相似的标记源域样本,但是包含了确切的索引,,则表示对应的源域真实标签,则表示目标域样本的数量;
S34:设定高置信度样本的固定比例,并计算每个样本的信息熵,以排除不可靠的目标样本,专注于学习高置信度的目标样本,具体来说,定义了高置信度目标样本的比例,并从目标样本中选择具有最低熵的个目标样本的相应索引,表示为:,
上述表示返回个最大的元素索引,表示每个未标记目标域样本的信息熵,其计算公式为:,
其中,是一个概率分布的数组,包含一个样本在每个类别上的概率值;
S35:高置信度目标域子集和与之匹配对应的最相似源域子集可以表示为:;
;
所述的对抗域适应用于学习域不变特征,包含以下子步骤:S36:对抗域适应网络包括以ViT为基础的特征提取器,将输入的样本从输入空间转换到共享潜在空间,将所提取特征预测并添加相应标签的分类器,将共享潜在空间中的特征向量转换为标签空间,区分样本特征来自源域领域索引为0还是目标域领域索引为1的域鉴别器,通过对抗性训练使特征提取器优化以欺骗域鉴别器,获得源域和目标域之间的共性特征,与此同时,和也被训练来提升类别间的区分能力;
S37:通过最小化分类误差来训练特征提取器和分类器的过程中的损失,将子步骤S35中的源域样本子集传入特征提取器,所以分类损失表达式为:,
其中表示标准的交叉熵损失函数;
S38:在对抗网络利用分类器预测提供的判别信息进行训练过程中,条件域判别器被条件化,而域判别损失就是通过域判别器来最大化源域和目标域之间的区分度,其表达式为:,
S39:对抗域适应总损失表达式为:
,
其中是一个权衡超参数;
所述的原型学习是局部对齐,用以辅助全局对抗对齐解决跨域分布差异问题,包含以下子步骤:S310:基于子步骤S35得出的源域子集,将其经过步骤S2中特征提取器的原始特征为;
S311:定义一个原型层用于类的分类任务,原型层表示为,计算属于类别的样本特征的均值作为源域子集拥有类的类别原型,其计算表达式为:,
其中表示特征提取器提取到的样本特征向量,是类别的样本数;
S312:通过最小化类别内紧致性损失,增强源域样本特征的紧致性,促进源域类内一致性,利用距离测量在源域样本上定义类别内紧致性损失,表达式为:;
S313:构建源域原型后,对目标域的高置信度样本特征进行对齐,从而实现跨域特征对齐,根据目标域预测类别概率作为权重来动态评估目标域样本和源域原型之间的损失,用于衡量目标样本与各类别原型的匹配程度,高置信度目标域样本与其对应源域原型之间的损失表达式为:,
其中,表示是目标样本属于类别的概率,通过最小化该损失项可以直接对齐目标域样本的特征表示和源域类别原型;
S314:结合类别内紧致性损失和跨域原型损失,构建一个统一的综合原型对齐损失,其表达式为:,
其中是用来控制原型损失的超参数;
S4:得到总的损失函数,进行迭代以优化模型;
所描述的总的损失函数为:
,
其中是用来控制原型损失的超参数;
S5:利用训练完成的域自适应分类模型进行跨域图像分类。
2.根据权利要求1所述的一种基于少样本无监督域适应的跨域图像分类方法,其特征在于:步骤S1中所述的源域和目标域样本数据集分别表示为和,其中对应的样本又分别表示为和。
3.根据权利要求1所述的一种基于少样本无监督域适应的跨域图像分类方法,其特征在于:步骤S2中所述的特征提取器用来表示,使用在ImageNet-21K上预训练的ViT-B/16模型作为预训练模型。