基于原型引导扩散对齐的少样本域适应方法

本发明公开了基于原型引导扩散对齐的少样本域适应方法，主要由原型学习、扩散模型训练和扩散对齐三个阶段组成：原型学习阶段包括训练表示网络和原型聚类，其中表示学习网络包括一个由语义不变损失以及空间相近损失训练，用来提取特征表示的特征提取器以及一个由交叉熵损失训练的分类器用来获取标签，类别原型学习通过余弦相似度和置信距离筛选高置信样本计算类别原型；扩散模型训练阶段利用源域样本和学习到的类别原型通过噪声预测损失进行训练；在模型检测阶段利用扩散模型和目标域原型引导目标域样本向源域对齐，利用源域样本和交叉熵损失训练的分类器判断其置信度，接收高置信的分类结果，增加噪声重新对齐低置信分类结果对应的样本。所提方法将原型学习和扩散模型用于少样本域适应，相比现有的少样本域适应方法，本发明本质上是从原始空间进行域对齐，避免了潜在空间语意丢失的问题，从而获得更好的少样本域适应性能。