图像数据的分类方法、装置和非易失性存储介质与流程

本发明涉及图像处理领域，具体而言，涉及一种图像数据的分类方法、装置和非易失性存储介质。

背景技术：

1、目前主流的如深度学习等图像识别技术在应用过程中会面临域偏移问题。域偏移指的是训练集(源域数据)和应用集(目标域数据)的特征分布存在差异，导致基于源域训练的模型不能正确的预测目标域数据。这种问题在真实场景是经常出现。如为了减少数据采集标注成本，用现成医院a的数据(源域数据)去训练模型，然后去预测医院b数据(目标域数据)，往往预测不准。

2、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种图像数据的分类方法、装置和非易失性存储介质，以至少解决相关技术中采用根据一组数据训练的模型去对另一组数据进行分类的时候，会导致分类结果不够准确的技术问题。

2、根据本发明实施例的一个方面，提供了一种图像数据的分类方法，包括：获取源域数据和目标域数据，其中，源域数据包括样本图像数据和样本标签，目标域数据为待分类的图像数据；采用源域数据训练第一原始分类器，得到训练好的第一分类器，采用源域数据和目标域数据训练原始特征提取器，得到训练好的特征提取器，将训练好的第一分类器与训练好的特征提取器组合，得到训练好的域适应神经网络模型，其中，域适应神经网络模型用于确定输入的图像对应的标签；将目标域数据输入域适应神经网络模型中，由域适应神经网络模型输出目标域数据的分类结果。

3、可选地，采用源域数据训练第一原始分类器，得到训练好的第一分类器，采用源域数据和目标域数据训练原始特征提取器，得到训练好的特征提取器，将训练好的第一分类器与训练好的特征提取器组合，得到训练好的域适应神经网络模型，包括：采用源域数据对原始域适应神经网络模型进行训练，得到第一次训练的域适应神经网络模型，其中，原始域适应神经网络模型包括第一原始分类器和原始特征提取器；连接第一次训练的域适应神经网络模型中的特征提取器，与第二原始分类器连接，构成原始域判别神经网络模型，其中，域判别神经网络模型用于判断输入的图像属于源域还是目标域；采用源域数据和目标域数据对原始域判别神经网络模型进行训练，得到第一次训练的域判别神经网络模型；连接第一次训练的域判别神经网络模型中的特征提取器，与第一次训练的域适应神经网络模型中的第一原始分类器连接，构成需要进行第二次训练的域适应神经网络模型；采用以上步骤依次将特征提取器与第一原始分类器和第二原始分类器连接，并对连接后的模型进行迭代训练，得到训练好的域适应神经网络模型。

4、可选地，采用源域数据对原始域适应神经网络模型进行训练，得到第一次训练的域适应神经网络模型，包括：设置原始域适应神经网络模型的损失函数，其中，原始域适应神经网络模型的损失函数与输出标签与对应的样本标签的差值关联；将样本图像数据和样本标签输入原始域适应神经网络模型，基于原始域适应神经网络模型的损失函数，训练原始域适应神经网络模型；在原始域适应神经网络模型的损失函数值满足预定条件的情况下，得到第一次训练的域适应神经网络模型。

5、可选地，采用源域数据和目标域数据对原始域判别神经网络模型进行训练，得到第一次训练的域判别神经网络模型，包括：分别生成源域数据和目标域数据的域标签；设置原始域判别神经网络模型的损失函数，其中，原始域判别神经网络模型的损失函数与输出域标签与对应的域标签的差值关联；将源域数据、目标域数据，以及对应的域标签输入原始域判别神经网络模型，基于原始域判别神经网络模型的损失函数，训练原始域判别神经网络模型；在原始域判别神经网络模型的损失函数值满足预定条件的情况下，得到第一次训练的域判别神经网络模型。

6、可选地，连接第一次训练的域适应神经网络模型中的特征提取器，与第二原始分类器连接，构成原始域判别神经网络模型，包括：将第一次训练的域适应神经网络模型中的特征提取器，与梯度反转层连接，其中，梯度反转层用于增强域判别神经网络模型训练的稳定性；将梯度反转层与第一原始分类器连接，构成原始域判别神经网络模型。

7、可选地，在获取源域数据之前，包括：获取初始样本图像对应的初始样本标签；根据初始样本图像和初始样本标签，生成多个相似样本图像，以及与多个相似样本图像一一对应的多个相似样本标签，其中，多个相似样本图像的特征与初始样本图像的特征的相似度大于预定阈值；基于初始样本图像、初始样本标签、多个相似样本图像和多个相似样本标签，生成源域数据。

8、可选地，根据初始样本图像和初始样本标签，生成多个相似样本图像，以及与多个相似样本图像一一对应的多个相似样本标签，包括：将初始样本图像和初始样本标签输入预先训练的变分自编码器-生成对抗网络vae-gan模型，由生成对抗网络模型输出多个相似样本图像和多个相似样本标签，其中，vae-gan模型包括编码器、生成器和判别器，编码器用于从输入的数据中提取特征，生成器用于根据编码器输出的特征生成数据，判别器用于判断生成器输出的数据与输入编码器的数据之间的相似度。

9、根据本发明实施例的另一方面，还提供了一种图像数据的分类装置，包括：获取模块，用于获取源域数据和目标域数据，其中，源域数据包括样本图像数据和样本标签，目标域数据为待分类的图像数据；训练模块，用于采用源域数据训练第一原始分类器，得到训练好的第一分类器，采用源域数据和目标域数据训练原始特征提取器，得到训练好的特征提取器，将训练好的第一分类器与训练好的特征提取器组合，得到训练好的域适应神经网络模型，其中，域适应神经网络模型用于确定输入的图像对应的标签；输出模块，用于将目标域数据输入域适应神经网络模型中，由域适应神经网络模型输出目标域数据的分类结果。

10、根据本发明实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项图像数据的分类方法。

11、根据本发明实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项图像数据的分类方法。

12、在本发明实施例中，采用图像数据的分类方法，通过获取源域数据和目标域数据，其中，源域数据包括样本图像数据和样本标签，目标域数据为待分类的图像数据；采用源域数据训练第一原始分类器，得到训练好的第一分类器，采用源域数据和目标域数据训练原始特征提取器，得到训练好的特征提取器，将训练好的第一分类器与训练好的特征提取器组合，得到训练好的域适应神经网络模型，其中，域适应神经网络模型用于确定输入的图像对应的标签；将目标域数据输入域适应神经网络模型中，由域适应神经网络模型输出目标域数据的分类结果，达到了完善训练模型的目的，从而实现了提高分类结果准确性的技术效果，进而解决了相关技术中采用根据一组数据训练的模型去对另一组数据进行分类的时候，会导致分类结果不够准确的技术问题。

技术特征：

1.一种图像数据的分类方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述采用所述源域数据训练第一原始分类器，得到训练好的第一分类器，采用所述源域数据和所述目标域数据训练原始特征提取器，得到训练好的特征提取器，将所述训练好的第一分类器与所述训练好的特征提取器组合，得到训练好的域适应神经网络模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述采用所述源域数据对原始域适应神经网络模型进行训练，得到第一次训练的域适应神经网络模型，包括：

4.根据权利要求2所述的方法，其特征在于，所述采用所述源域数据和所述目标域数据对所述原始域判别神经网络模型进行训练，得到第一次训练的域判别神经网络模型，包括：

5.根据权利要求2所述的方法，其特征在于，所述连接所述第一次训练的域适应神经网络模型中的特征提取器，与第二原始分类器连接，构成原始域判别神经网络模型，包括：

6.根据权利要求1至5中任意一项所述的方法，其特征在于，在所述获取源域数据之前，包括：

7.根据权利要求6所述的方法，其特征在于，所述根据所述初始样本图像和所述初始样本标签，生成多个相似样本图像，以及与所述多个相似样本图像一一对应的多个相似样本标签，包括：

8.一种图像数据的分类装置，其特征在于，包括：

9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述图像数据的分类方法。

10.一种计算机设备，其特征在于，包括：存储器和处理器，

技术总结
本发明公开了一种图像数据的分类方法、装置和非易失性存储介质。其中，该方法包括：获取源域数据和目标域数据，其中，源域数据包括样本图像数据和样本标签；采用源域数据训练第一原始分类器，得到训练好的第一分类器，采用源域数据和目标域数据训练原始特征提取器，得到训练好的特征提取器，将训练好的第一分类器与训练好的特征提取器组合，得到训练好的域适应神经网络模型，其中，域适应神经网络模型用于确定输入的图像对应的标签；将目标域数据输入域适应神经网络模型中，由域适应神经网络模型输出目标域数据的分类结果。本发明解决了相关技术中采用根据一组数据训练的模型去对另一组数据进行分类的时候，会导致分类结果不够准确的技术问题。

技术研发人员：刘炯圳,郑奕凯
受保护的技术使用者：天翼电子商务有限公司
技术研发日：
技术公布日：2024/3/12