融合强化学习与迁移对抗的服装标注

摘要

针对图像标注任务中的标注精度不高等问题,提出融合强化学习与迁移对抗的图像标注方法 FLTAN,利用强化学习和迁移学习的优势,有效改善了服装数据集图片标注信息不足的问题,使标注内容更加丰富。该方法在动态对抗域适应模型DAAN的基础上加入注意力机制与循环神经网络以获取图像位置信息,再利用强化学习相关算法对图像显著位置依次判断所属类别并计算期望,将期望最大的类别作为最终图像分类,从而提升模型的分类准确性。在迁移学习部分,对生成的特征进行剪裁/标准化操作以固定数据范围,并加快梯度下降求解速度,提升标注精度。将该方法与多个模型进行实验对比,结果表明,该方法相比其他模型的准确率都有一定提升。