[發明專利]一種基于相關熵和遷移學習的分類方法

有效

• 申請號: 201811230487.7
• 申請日: 2018-10-22
• 公開（公告）號: CN109657693B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 王微;武斌;黃志宇;于潔
• 申請（專利權）人: 中國科學院軟件研究所
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/778;G06V40/16
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 余長江

1.一種基于相關熵和遷移學習的分類方法，包括以下步驟：

分別對有標簽的人臉圖像源數據集、無標簽的人臉圖像目標數據集進行歸一化；

利用基于相關熵的遷移學習算法，對所述歸一化的源數據集和目標數據集進行遷移迭代訓練，得到特征變換矩陣；

利用所述特征變換矩陣，將所述歸一化的源數據集和目標數據集都映射到一特征空間，在該特征空間中所述歸一化的源數據集和目標數據集的概率分布相同；

在所述特征空間中，利用所述歸一化的源數據集及其標簽信息進行訓練，得到目標分類器；

利用目標分類器對所述歸一化的目標數據集進行分類預測，以實現目標數據集即人臉圖像的分類；

所述基于相關熵的遷移學習算法的目標方程為：

其中，是基于相關熵的誤差損失函數，W是特征變換矩陣，C是重構系數矩陣，X_t是目標數據集組成的矩陣，X_s是源數據集組成的向量，σ是高斯函數帶寬，(WX_t-WX_sC)ⁱ是誤差矩陣(WX_t-WX_sC)的第i列向量，λ₁和λ₂是平衡系數，m表示目標數據集的數據樣本個數；

引入半二次優化中的輔助變量p_i，對所述基于相關熵的遷移學習算法的目標方程進行更新，更新后的目標方程為：

其中，是相關熵的凸共軛函數；

通過半二次優化中的循環迭代方法來得到最優的參數W,C,p_i；

所述循環迭代方法的步驟包括：

首先，固定W和C，根據凸共軛函數理論，獲得p_i的如下最優解：

其次，固定p_i和C，結合凸優化方法和特征分解法來求解如下W的目標方程：

最后，固定p_i和W，基于l₁范數的凸優化方法來求解如下C的目標方程：

2.如權利要求1所述的方法，其特征在于，所述歸一化為L2范數歸一化。

3.如權利要求1所述的方法，其特征在于，通過SVM或1-NN分類算法，利用所述歸一化的源數據集及其標簽信息進行訓練，得到目標分類器。

4.一種基于相關熵和遷移學習的分類系統，包括存儲器和處理器，該存儲器存儲計算機程序，該程序被配置為由該處理器執行，該程序包括用于執行上述權利要求1至3任一所述的方法中各步驟的指令。

5.一種存儲計算機程序的計算機可讀存儲介質，該計算機程序包括指令，該指令當由服務器的處理器執行時使得該服務器執行上述權利要求1至3任一所述的方法中的各個步驟。