基于迁移学习的跨域图像分类研究综述.docVIP

基于迁移学习的跨域图像分类研究综述

一、跨域图像分类的研究背景与问题定义

传统监督式图像分类模型的性能高度依赖于标注数据的规模与分布一致性，当训练集（源域）与测试集（目标域）的数据分布存在差异时，模型的泛化能力会出现显著下降，这一现象被称为“域偏移”。在实际应用场景中，域偏移问题广泛存在：例如安防场景下，不同光照、角度、拍摄设备采集的人脸图像存在分布差异；医疗影像分析中，不同医院的CT、MRI设备参数不同导致成像特征不一致；电商商品识别中，官方宣传图与用户实拍图的风格、背景差异明显。传统方法为了适配新域通常需要重新标注大量目标域数据，不仅标注成本极高，且在医疗、军事等数据敏感场景下难以实现。

迁移学习的核心思想是将源域学到的知识迁移到目标域，从而降低对目标域标注数据的依赖，为解决跨域图像分类问题提供了可行路径。跨域图像分类的正式定义可表述为：给定有标注的源域数据$\mathcal{D}s={(x_i^s,y_i^s)}{i=1}^{n_s}$，其中$x_i^s\in\mathcal{X}_s$为源域样本，$y_i^s\in\mathcal{Y}$为标签，源域边际分布为$P_s(X)$；以及无标注或少量标注的目标域数据$\mathcal{D}t={(x_j^t)}{j=1}^{n_t}$，目标域边际分布为$P_t(X)$，且$P_s(X)\neqP_t(X