基于部分目标数据的技术域缺陷特征跨域迁移

在具有顺序追加目标域数据的真实世界分类场景中，训练阶段训练数据集不足是一个常见挑战。因此，传统的深度学习与迁移学习分类器并不适用，尤其在各类别初始时未被表示或严重欠表示的情况下。然而，在许多技术域中，仅缺陷或磨损的拒收类别代表性不足，而非缺陷类别往往从一开始就可获得。所提出的分类方法针对此类条件，并基于CNN编码器。遵循对比学习方法，其使用修改后的三元组损失函数并借助两个数据集进行训练：除非缺陷目标域类别第一数据集外，还利用了包含高度相关类别（例如相关制造误差或磨损缺陷）但源自高度不同域（例如不同产品、材料或外观）的先进标注源域数据集作为第二数据集。该方法从源域数据集学习分类特征，同时在单一训练步骤中学习源域与目标域之间的差异，旨在将相关特征迁移至目标域。分类器对分类特征变得敏感，且凭借架构对高度域特定的上下文具有鲁棒性。该方法在一个技术域与一个非技术域中进行了基准测试，并展现出令人信服的分类结果。特别地，结果表明所提架构改善了域泛化能力与分类结果，允许源域与目标域之间存在更大的域偏移。