一种基于连续测试时间自适应的图像分类方法及系统

本发明涉及计算机视觉技术领域，尤其涉及一种基于连续测试时间自适应的图像分类方法及系统。本发明将不同图像类别对应的类质心作为节点，类质心之间的距离作为边，构建动态更新的类间拓扑图，确保类间拓扑结构的稳定性，将类间拓扑图内所有节点对平均高斯势的对数，作为类间均匀性损失，防止类间拓扑塌缩，并根据不同图像类别的分布，提出批量不平衡拓扑加权机制，以适应批次内图像类别分布失衡，得到阶层间均匀性损失；引入类内紧凑性损失，增强特征的紧凑性；拓扑一致性损失与对称交叉熵损失、特征对齐损失共同构建总损失函数，通过在线迭代优化模型参数，实现连续域变化下的自适应。本发明提升了模型在动态目标域中的图像分类精度。