近日，煙臺(tái)大學(xué)計(jì)算機(jī)與控制工程學(xué)院劉驚雷教授團(tuán)隊(duì)在國(guó)際著名期刊 IEEE Transactions on Image Processing （TIP）上發(fā)表研究論文“Dual-Space Topological Isomorphism and Maximization of Predictive Diversity for Unsupervised Domain Adaptation”。IEEE TIP是中科一區(qū)TOP期刊，CCF推薦A類(lèi)期刊，其在2024-2025年影響因子為13.7。論文的第一作者為煙臺(tái)大學(xué)研究生王夢(mèng)如，通訊作者為劉驚雷教授。此項(xiàng)研究受到國(guó)家自然科學(xué)基金62572420，62273290，61572419的資助。
該研究針對(duì)跨域圖像分類(lèi)問(wèn)題中，因圖像數(shù)據(jù)分布差異導(dǎo)致模型在新域性能下降的現(xiàn)象，摒棄傳統(tǒng)方法將不同域特征對(duì)齊到單一共享空間的思路，使用“雙空間拓?fù)渫瑯?gòu)”（DTI）范式，利用可逆神經(jīng)網(wǎng)絡(luò)在源域和目標(biāo)域之間建立一種精確雙向映射關(guān)系。由于該映射具有可證的可逆性與連續(xù)性，從而在域?qū)R過(guò)程中保留了數(shù)據(jù)固有的拓?fù)浣Y(jié)構(gòu)，實(shí)現(xiàn)了更精確的圖像分類(lèi)效果。
此外，針對(duì)圖像分類(lèi)預(yù)測(cè)結(jié)果容易坍縮到少數(shù)幾個(gè)類(lèi)別的“模式坍塌”問(wèn)題，團(tuán)隊(duì)進(jìn)一步提出了“最大化預(yù)測(cè)多樣性”（MPD）策略，通過(guò)設(shè)計(jì)的去模式坍塌約束函數(shù)，促使模型在目標(biāo)域上生成多樣化的類(lèi)別預(yù)測(cè)，從而提升模型的泛化能力。兩項(xiàng)創(chuàng)新協(xié)同作用，為跨域圖像分類(lèi)提供了一個(gè)兼顧結(jié)構(gòu)保持與決策均衡的全新解決方案。
該項(xiàng)成果的發(fā)表，彰顯了計(jì)控學(xué)院在人工智能基礎(chǔ)理論與應(yīng)用研究方面的深厚實(shí)力，也是計(jì)控學(xué)院長(zhǎng)期堅(jiān)持高質(zhì)量研究生培養(yǎng)和前沿科學(xué)探索的又一力證。
論文鏈接如下：
https://doi.org/10.1109/TIP.2025.3608670
來(lái)稿時(shí)間：9月18日 審核：劉俞斌 責(zé)任編輯：劉運(yùn)正
