Abstract ：

Tongue color is one of the most concerning diagnostic features of tongue diagnosis in Traditional Chinese Medicine (TCM). In practical applications, the performance of the model trained from the tongue data acquired by one device is dramatically degraded when applied to other devices due to the data distribution discrepancy. Therefore, in this paper, a few shot domain adaptation tongue color classification method with two-stage meta-learning is proposed. Firstly, a two-stage meta-learning training strategy is proposed to extract domain invariant features from labeled samples in the source domain, and then, the meta-trained network model is fine-tuned using a few labeled data in the target domain, so that the model can quickly adapt to the new sample characteristics in the target domain, improving the generalization ability of the tongue color classification model and avoid overfitting problem. Next, a progressive pseudo label generation strategy is proposed, which uses the meta-trained model to predict the unlabeled samples in the target domain. The prediction results with high confidence are selected and treated as pseudo labels. So high-quality pseudo labels can be gradually generated. Finally, these high-quality pseudo labels are used to train the model, together with the labeled data in the target domain. The tongue color classification model can be obtained. Considering the noisy pseudo labels, the contrast regularization function is adopted, which can effectively suppress the negative impact of noisy samples in the training process and improve the tongue color classification accuracy in the target domain. The experimental results on two self-established TCM tongue color classification datasets show that the classification accuracy of tongue color in the target domain reaches 91.3% when only 20 labeled samples are given in the target domain, which is only 2.05% lower than that of the supervised classification model in the target domain. © 2024 Science Press. All rights reserved.

Keyword ：

Tongue color classification in Traditional Chinese Medicine(TCM) Few shot Domain adaptation Two-stage meta-learning

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题，提出了一种多源域自适应残差网络(multi-source domain adaptive residual network, MDARN),通过对齐来自多个源域的相关子域，从而提高模型在多工况下的故障诊断性能。首先，利用ResNeXt残差网络从源域和目标域充分提取可迁移特征；然后，引入局部最大平均差异(local maximum mean difference, LMMD)准则，以两个源域的子域为基础对齐目标域中相关子域，减少相关子域间和全局域间的分布差异；最后，利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集，对所提方法进行了试验验证。结果表明，该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比，所提方法具有更好的故障诊断效果。

Keyword ：

滚动轴承故障诊断 领域自适应 多源域自适应残差网络(MDARN) 局部最大均值差异(LMMD)

Cite：

Copy from the list or Export to your reference management。

Abstract ：

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中，通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时，由于舌象数据分布特性不一致，分类性能往往急剧下降。为此，该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先，设计了一种双阶段元学习训练策略，从源域有标注样本中提取域不变特征，并利用目标域的少量有标注数据对网络模型进行微调，使得模型可以快速适应目标域的新样本特性，提高舌色分类模型的泛化能力并克服过拟合。接下来，提出了一种渐进高质量伪标签生成方法，利用训练好的模型对目标域的未标注样本进行预测，从中挑选出置信度高的预测结果作为伪标签，逐步生成高质量的伪标签。最后，利用这些高质量的伪标签，结合目标域的有标注数据对模型进行训练，得到舌色分类模型。考虑到伪标签中含有噪声问题，采用了对比正则化函数，可以有效抑制噪声样本在训练过程中产生的负面影响，提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明，在目标域仅提供20张有标注样本的情况下，舌色分类准确率达到了91.3%，与目标域有监督的分类性能仅差2.05%。

Keyword ：

中医舌色分类 域自适应 双阶段元学习 小样本

Cite：

Copy from the list or Export to your reference management。

Abstract ：

户外视觉系统极易受到雾霾等恶劣天气影响,采集到的图像/视频质量严重下降,这不仅影响人眼的主观感受,也给后续的智能化分析带来严峻挑战.近年来,学者们将深度学习应用于图像去雾领域,取得了诸多的研究成果.但是雾霾图像场景复杂多变、降质因素众多,这对去雾算法的泛化能力提出了很高的要求.本文主要总结了近年来基于深度学习的单幅图像去雾技术研究进展.从先验知识和物理模型、映射关系建模、数据样本、知识迁移学习等角度出发,介绍了现有算法的研究思路、具体特点、优势与不足.尤其侧重于近两年来新出现的训练策略和网络结构,如元学习、小样本学习、域自适应、Transformer等.另外,本文在公共数据集上对比了各种代表性去雾算法的主客观性能、模型复杂度等,尤其是分析了去雾后的图像对于后续目标检测任务的影响,更全面地评价了现有算法性能的优劣,并探讨了未来可能的研究方向.

Keyword ：

单幅图像去雾 深度学习 无监督学习 域泛化

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对在目标应用场景中缺乏大量有标定训练数据的情况下难以获得有效的深度学习分类模型的问题，结合领域分布差异的方法与对抗学习方法的优势，提出以显式特征对齐与隐式领域对抗及类别对齐为基础的领域自适应框架.对于显式特征对齐模块，考虑到领域知识差异大带来的优化难题，采用渐进式协同优化策略，通过逐层减小不同语义层之间的领域差异，提升领域自适应性能.对于隐式类别对齐模块，为了增强目标特征的判别性，使用自训练方法获得伪标签，克服伪标签存在的标签噪声问题，并通过学习混淆矩阵优化伪标签的准确率，自动构造新的目标领域损失函数，从而在减小领域间差异的同时，提升源领域与目标领域相同类别的特征分布对齐的准确性.基于Office-31数据集的6个跨领域分类任务与基于Office-Home数据集的12组跨领域分类任务的实验结果表明，该方法在迁移学习任务上的平均分类准确率相较于基准方法分别提升11.9%和19.9%,所提出网络对于领域自适应任务是有效的.

Keyword ：

图像分类 迁移学习 领域特征对齐 领域对抗学习 领域自适应 伪标签优化

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对滚动轴承在新工况下无标记数据且存在噪声干扰问题，提出一种具备抗噪能力的滚动轴承故障诊断领域自适应深度残差收缩网络(DADRSN)。首先，采用深度残差收缩网络(DRSN)去除已知工况和新工况数据噪声冗余并充分提取数据特征；其次，应用迁移学习中的领域自适应(DA)方法，计算已知工况和新工况数据的局部最大均值差异(LMMD),以对齐两种工况数据之间的分布；最后，对新工况下故障样本进行分类。实验结果表明，该模型在噪声干扰、缺少标记数据、工况变化的情况下仍能保持较高的故障诊断精度。

Keyword ：

迁移学习 深度残差收缩网络 滚动轴承故障诊断 局部最大均值差异

Cite：

Copy from the list or Export to your reference management。

Abstract ：

To address the problem that it is difficult to obtain effective deep learning classification models in the absence of a large amount of consistent distribution and labeled data in the target application scenario, a domain adaptation framework was proposed based on explicit feature alignment with domain adversarial and implicit category alignment. The advantages of the domain distribution difference approach and the adversarial learning approach were combined in this framework. For the explicit feature alignment module, considering the optimization challenges caused by large differences in domain knowledge, an incremental collaborative optimization strategy was used. The goal of this strategy is to improve the domain adaptation performance by reducing the domain differences between different semantic layers. For the implicit category alignment module, to enhance the discriminability of the target features, a self-training method was adopted to obtain pseudo-labels and overcome the problem of label noises. Besides, the accuracy of the pseudo-labels was optimized by learning the confusion matrix, thus a target domain loss function was automatically constructed. This function is able to reduce the differences between domains, while improving the accurate alignment of the feature distribution of the same categories in both the source and target domains. Experiments based on 6 cross-domain classification tasks on the Office-31 dataset and 12 sets of cross-domain classification tasks on the Office-Home dataset were conducted. Results show that the average classification accuracy of the proposed method on the transfer learning tasks improves by 11. 9% and 19. 9%, respectively, compared with the benchmark method, demonstrating the effectiveness of the network in domain adaptation tasks. © 2023 Beijing University of Technology. All rights reserved.

Keyword ：

domain feature alignment image classification domain-adversarial learning transfer learning domain adaptation pseudo label optimization

Cite：

Copy from the list or Export to your reference management。

Abstract ：

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中，通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时，由于舌象数据分布特性不一致，分类性能往往急剧下降。为此，该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先，设计了一种双阶段元学习训练策略，从源域有标注样本中提取域不变特征，并利用目标域的少量有标注数据对网络模型进行微调，使得模型可以快速适应目标域的新样本特性，提高舌色分类模型的泛化能力并克服过拟合。接下来，提出了一种渐进高质量伪标签生成方法，利用训练好的模型对目标域的未标注样本进行预测，从中挑选出置信度高的预测结果作为伪标签，逐步生成高质量的伪标签。最后，利用这些高质量的伪标签，结合目标域的有标注数据对模型进行训练，得到舌色分类模型。考虑到伪标签中含有噪声问题，采用了对比正则化函数，可以有效抑制噪声样本在训练过程中产生的负面影响，提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明，在目标域仅提供20张有标注样本的情况下，舌色分类准确率达到了91.3%，与目标域有监督的分类性能仅差2.05%。

Keyword ：

小样本 域自适应 双阶段元学习 中医舌色分类

Cite：

Copy from the list or Export to your reference management。

Abstract ：

在实际应用场景中，情感分析技术为自动判别文本情感极性提供了有效的决策及解决方案，但是文本情感分析技术依赖于大量的标定样本.为了减小对人工标注的依赖，有研究者提出了基于领域自适应的跨领域情感分析技术.该技术面向跨领域文本情感分析任务，将经由标定样本训练的源领域模型，迁移至无标定的目标领域.然而目前的领域自适应技术仅从单个角度进行迁移，即减小领域专有特征差异或提取领域不变特征.因此考虑到跨领域文本数据同时包含领域专有特征和领域不变特征的特点，提出了一种领域对齐对抗的无监督跨领域文本情感分析算法.该算法通过渐进式的迁移策略，逐层减小不同语义层的领域差异，并在高层语义子空间通过协同优化的领域自适应算法...

Keyword ：

无监督领域自适应 迁移学习 协同优化 跨领域情感分类 情感分析

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于类间关系的图像分类方法、装置、存储介质及终端，方法包括：获取待识别目标图像；将待识别目标图像输入预先训练的图像分类模型中；预先训练的图像分类模型是根据已知图像类别样本和未知图像类别样本训练生成的，已知图像类别样本和未知图像类别样本是根据目标域图像特征对目标域图像数据进行类间关系分离处理生成的；输出待识别目标图像对应的多个类别概率值，根据多个类别概率值确定待识别目标图像的最终类别。由于本申请充分利用了类间关系，能够有效的将未知类别图像从目标域图像数据中分离出来，解决了负向迁移问题，使域自适应技术在开集条件下也能工作，使得未知类别样本特征更具判别力，能高效地识别未知类别的图片。

Cite：

Copy from the list or Export to your reference management。