基于低置信度样本对比损失的域适应学习方法及系统

摘要

本发明公开了一种基于低置信度样本对比损失的域适应学习方法及系统，使用对比学习的方法，在原有的利用目标域高置信度样本的域适应方法上，充分利用目标域低置信样本，防止图像分类模型因偏向目标域中与源域相近的样本而导致的次优的领域迁移效果；而且，在对比学习中，对原始的图像特征进行重新表示，更好地编码了任务特有的语义信息；此外，对低置信样本使用了跨域混合，并使低置信样本在其中占主导，减小了领域差异，使图像分类模型更好的学习领域不变特征。总的来说，本发明利用了低置信样本，提升了无监督域适应和半监督域适应图像分类的准确率。