论文部分内容阅读
工件表面缺陷检测是保障工件质量的重要环节,在有足够标签的情况下,有监督学习可以很好地对其缺陷进行分类,但当有新的工件需要检测时,又要标注新的数据集.为了解决该问题,本文利用不同工件之间缺陷种类的相似性,并基于迁移学习的思想,提出了一种全局特征和局部特征共同适应的无监督域适应方法(GLDA).该方法首先利用生成对抗网络对齐全局特征,然后最小化生成域数据与目标域数据的协方差矩阵的差从而对齐局部特征,并将语义损失加入总体优化目标函数中作为正则项,使得对齐全局特征后的数据经过分类网络后不丢失局部的特征信息.