论文部分内容阅读
图像分类是计算机视觉中的一个经典问题。随着数据规模的爆炸式增长,非监督场景中图像分类存在巨大的挑战。非监督域自适应算法作为解决非监督图像分类的有效方法,近年来取得了广泛且深入的研究。在非监督域自适应算法中,主要通过迁移大量带标签图像的相关源域知识,从而解决非监督场景中目标域的知识学习问题。源域与目标域图像存在不同的数据分布,域间差异是非监督域自适应中知识迁移的难点问题。近年来,生成对抗网络(GAN)作为数据分布匹配与生成的有效方法得到了广泛的研究,因此大量研究者将对抗学习引入非监督域自适应研究以解决域间差异问题。目前,非监督域自适应算法还存在以下问题:首先,现有研究没有充分考虑分类器的鲁棒性决策边界问题,域自适应算法学习的分类器不能很好的迁移到目标域,从而影响目标域图像分类的准确性;其次,现有研究主要考虑源域到目标域的知识迁移,忽略了目标域图像分类的隐式反馈知识,从而存在源域知识迁移不充分问题;最后,针对部分域自适应场景,部分域自适应算法研究不足,现有闭集域自适应算法存在负迁移问题。针对上述问题,本文主要工作内容如下:1)调研半监督学习、生成对抗网络等相关领域科研文献,深入研究现有非监督域自适应算法与非监督部分域自适应算法,分析并总结现有研究中的不足与可改进之处。2)提出一种基于一致性正则的非监督域自适应算法框架——(一致性正则域自适应,CRDA)。现有域自适应算法研究中,无法有效学习针对目标域图像分类具有鲁棒性决策边界的分类器。基于半监督学习中一致性正则思想,本文提出一种对目标域图像分类具有一致性正则的非监督域自适应算法框架,从而提高源域分类器对目标域图像分类的准确性。3)提出一种目标域混淆样本再采样的非监督域自适应算法——(再采样自适应网络,ResAN)。现有域自适应算法研究中,无法有效挖掘并利用非监督场景目标域图像的分类知识,从而存在源域到目标域知识迁移不充分的问题。针对该问题,本文采用两个源域分类器实现域自适应。为有效挖掘目标域图像的分类知识,针对目标域图像分类不一致的混淆样本,提出一种基于对抗学习的目标域混淆样本再采样的非监督域自适应算法,从而充分利用目标域图像分类的隐式知识,促进源域到目标域知识的正迁移,提高非监督场景目标域图像的分类效果。4)提出一种自适应知识迁移的非监督部分域自适应算法——(自适应知识迁移网络,AKTN)。在部分域自适应场景中,部分域自适应算法研究不足,经典的闭集域自适应算法存在负迁移问题。针对该问题,本文提出一种针对部分域自适应的自适应知识迁移算法,促进源域到目标域共享标签图像的知识正迁移,减小源域到目标域非共享标签图像的知识负迁移,提高非监督场景目标域图像分类效果。5)针对提出的算法,本文在多个公开数据集上进行了实验与分析。实验结果表明,本文提出的算法在非监督场景目标域的图像分类准确率优于多种对比算法,验证了本文提出算法的有效性。