[發(fā)明專利]一種基于遷移學(xué)習(xí)的地基云圖分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810132251.3
• 申請(qǐng)日: 2018-02-09
• 公開（公告）號(hào): CN108229589B
• 公開（公告）日: 2021-10-15
• 發(fā)明（設(shè)計(jì)）人: 張重;李東紅;劉爽
• 申請(qǐng)（專利權(quán)）人: 天津師范大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京中政聯(lián)科專利代理事務(wù)所(普通合伙) 11489
• 代理人: 陳超

1.一種基于遷移學(xué)習(xí)的地基云圖分類方法，其特征在于，該方法包括以下步驟：

步驟S1，構(gòu)建提取特征的目標(biāo)網(wǎng)絡(luò)；

步驟S2，將來自源域和目標(biāo)域的地基云圖進(jìn)行配對(duì)，得到相似圖像對(duì)和非相似圖像對(duì)，作為所述目標(biāo)網(wǎng)絡(luò)的輸入進(jìn)行遷移學(xué)習(xí)，得到特征提取訓(xùn)練模型；

步驟S3，基于所述特征提取訓(xùn)練模型，獲取來自源域和目標(biāo)域的測(cè)試地基云圖的特征向量；

步驟S4，將測(cè)試地基云圖的特征向量輸入分類器進(jìn)行分類，得到測(cè)試地基云圖分類結(jié)果；

所述步驟S2包括以下步驟：

步驟S21，將多幅來自源域和目標(biāo)域的地基云圖作為訓(xùn)練地基云圖，并獲取每幅訓(xùn)練地基云圖的類別標(biāo)簽；

步驟S22，根據(jù)所述類別標(biāo)簽，將來自源域和目標(biāo)域的地基云圖進(jìn)行一一配對(duì)，將相同標(biāo)簽的兩張圖像作為相似圖像對(duì)，將不同標(biāo)簽的兩張圖像作為非相似圖像對(duì)；

步驟S23，將所述相似圖像對(duì)和非相似圖像對(duì)作為所述目標(biāo)網(wǎng)絡(luò)的輸入，進(jìn)行遷移學(xué)習(xí)，得到特征提取訓(xùn)練模型；

所述步驟S23包括以下步驟：

步驟S231，將每個(gè)圖像對(duì)的兩張圖像分別輸入到所述目標(biāo)網(wǎng)絡(luò)中的兩個(gè)預(yù)訓(xùn)練網(wǎng)絡(luò)模型中，以權(quán)重共享的方式進(jìn)行前向傳播，得到向量x，并計(jì)算損失值Loss；

步驟S232，計(jì)算所述損失值Loss的導(dǎo)數(shù)，通過反向傳播對(duì)所述目標(biāo)網(wǎng)絡(luò)的參數(shù)進(jìn)行更新，得到所述特征提取訓(xùn)練模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S1包括以下步驟：

步驟S11，選擇m個(gè)預(yù)訓(xùn)練網(wǎng)絡(luò)模型進(jìn)行初始化，將預(yù)訓(xùn)練網(wǎng)絡(luò)模型末端的輸出個(gè)數(shù)均修改為地基云圖的類別數(shù)目D，其中m為自然數(shù)，m＝2，3，…；

步驟S12，使用連接函數(shù)將所述m個(gè)預(yù)訓(xùn)練網(wǎng)絡(luò)模型的輸出向量進(jìn)行連接，得到輸出向量f；

步驟S13，將所述輸出向量f輸入到全連接層中，得到m維向量x；

步驟S14，將所述向量x輸入到柔性最大值函數(shù)中，得到分類預(yù)測(cè)值

步驟S15，根據(jù)所述分類預(yù)測(cè)值和預(yù)先得到的分類真實(shí)值p_i，使用交叉熵?fù)p失函數(shù)計(jì)算損失值Loss，最終構(gòu)建得到提取特征的目標(biāo)網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，m＝2。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3包括以下步驟：

步驟S31，將源域和目標(biāo)域除訓(xùn)練地基云圖外的地基云圖作為測(cè)試地基云圖，并獲取每幅測(cè)試地基云圖的類別標(biāo)簽；

步驟S32，將所述測(cè)試地基云圖輸入到所述特征提取訓(xùn)練模型中，選擇所述特征提取訓(xùn)練模型中的一個(gè)卷積層，得到卷積激活圖H×W×N，其中，H和W分別表示卷積激活圖的高度和寬度，N表示卷積激活圖的數(shù)目；

步驟S32，基于所述卷積激活圖中每個(gè)位置的N個(gè)卷積激活值t∈R^1×1擬合得到單高斯模型，進(jìn)而得到H×W個(gè)單高斯模型；

步驟S33，根據(jù)所述單高斯模型計(jì)算每個(gè)位置對(duì)應(yīng)的單高斯概率g(t_i),i∈[1,N]，并進(jìn)行權(quán)重池化，得到該位置的最終響應(yīng)G(t)，對(duì)于所述卷積激活圖，得到一個(gè)大小為H×W的響應(yīng)特征圖；

步驟S34，將步驟S33計(jì)算得到的大小為H×W的響應(yīng)特征圖表示成一個(gè)特征向量T∈R^(H×W)×1，即每張測(cè)試地基云圖最終可以表示成特征向量T。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分類器為徑向基函數(shù)核SVM分類器。