一种基于迭代剪枝的自监督跨域少样本分类方法

本发明公开了一种基于迭代剪枝的自监督跨域少样本分类方法，包括如下步骤：步骤1：通过大数据量的有标签的源域数据对分类模型进行训练；步骤2：通过小数据量的无标签的目标域数据对分类模型进行再训练；步骤3：根据分类模型的参数赋值对步骤2中再训练后的分类模型进行剪枝操作；步骤4：重复步骤2、3，直至获得对于目标域任务性能优异的分类模型；步骤5：对步骤4获得的分类模型中的分类器进行微调，并通过微调后的分类模型进行跨域少样本分类。本发明将模型剪枝与对比学习方法有效结合，可以实现对无标签目标域数据的充分利用，同时可以对冗余参数进行裁剪的同时实现源域与目标域之间的模型平衡。