[發明專利]一種基于遷移學習的地基云圖分類方法

有效

• 申請號: 201810132251.3
• 申請日: 2018-02-09
• 公開（公告）號: CN108229589B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 張重;李東紅;劉爽
• 申請（專利權）人: 天津師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 陳超

1.一種基于遷移學習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，構建提取特征的目標網絡；

步驟S2，將來自源域和目標域的地基云圖進行配對，得到相似圖像對和非相似圖像對，作為所述目標網絡的輸入進行遷移學習，得到特征提取訓練模型；

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

步驟S4，將測試地基云圖的特征向量輸入分類器進行分類，得到測試地基云圖分類結果；

所述步驟S2包括以下步驟：

步驟S21，將多幅來自源域和目標域的地基云圖作為訓練地基云圖，并獲取每幅訓練地基云圖的類別標簽；

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

步驟S23，將所述相似圖像對和非相似圖像對作為所述目標網絡的輸入，進行遷移學習，得到特征提取訓練模型；

所述步驟S23包括以下步驟：

步驟S231，將每個圖像對的兩張圖像分別輸入到所述目標網絡中的兩個預訓練網絡模型中，以權重共享的方式進行前向傳播，得到向量x，并計算損失值Loss；

步驟S232，計算所述損失值Loss的導數，通過反向傳播對所述目標網絡的參數進行更新，得到所述特征提取訓練模型。

2.根據權利要求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個預訓練網絡模型進行初始化，將預訓練網絡模型末端的輸出個數均修改為地基云圖的類別數目D，其中m為自然數，m＝2，3，…；

步驟S12，使用連接函數將所述m個預訓練網絡模型的輸出向量進行連接，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中，得到分類預測值

步驟S15，根據所述分類預測值和預先得到的分類真實值p_i，使用交叉熵損失函數計算損失值Loss，最終構建得到提取特征的目標網絡。

3.根據權利要求2所述的方法，其特征在于，m＝2。

4.根據權利要求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，將源域和目標域除訓練地基云圖外的地基云圖作為測試地基云圖，并獲取每幅測試地基云圖的類別標簽；

步驟S32，將所述測試地基云圖輸入到所述特征提取訓練模型中，選擇所述特征提取訓練模型中的一個卷積層，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目；

步驟S32，基于所述卷積激活圖中每個位置的N個卷積激活值t∈R^1×1擬合得到單高斯模型，進而得到H×W個單高斯模型；

步驟S33，根據所述單高斯模型計算每個位置對應的單高斯概率g(t_i),i∈[1,N]，并進行權重池化，得到該位置的最終響應G(t)，對于所述卷積激活圖，得到一個大小為H×W的響應特征圖；

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

5.根據權利要求1所述的方法，其特征在于，所述分類器為徑向基函數核SVM分類器。