[發明專利]一種基于混合池化的領域自適應圖像分類方法

有效

• 申請號: 201910439494.6
• 申請日: 2019-05-24
• 公開（公告）號: CN110163286B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 龔聲蓉;楊海花;應文豪;鐘珊;周立凡
• 申請（專利權）人: 常熟理工學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 張俊范

1.一種基于混合池化的領域自適應圖像分類方法，其特征在于，包括以下步驟：將待分類的目標域圖像送入訓練后的圖像分類預測模型中輸出n×1維的特征向量，其中n為類別數量，然后利用one-hot編碼得到所述目標域圖像的所屬類別，所述圖像分類預測模型包括依次連接的若干卷積層，最后一層所述卷積層連接最大池化層，所述最大池化層級聯一層平均池化層，所述平均池化層連接帶有softmax激勵函數的全連接層，所述目標域圖像經過所述若干卷積層提取圖像特征，提取的所述圖像特征經過所述最大池化層進行下采樣得到第一描述子特征然后經過所述平均池化層提取圖像特征中的局部信息得到第二描述子特征，最后由所述平均池化層的輸出扁平化為一維向量，并送入所述全連接層得到所述n×1維的特征向量，所述圖像分類預測模型經過以下訓練方法得到：將源域樣本和目標域樣本分別輸入所述圖像分類預測模型得到源域樣本和目標域樣本的特征向量，分別計算源域樣本的特征向量和目標域樣本的特征向量間的wasserstein距離，用wasserstein距離刻畫源域和目標域之間的相似度表示為：

L_DA(x^s,x^t)＝∑w(f₂(f₁(x^s)),f₂(f₁(x^t)))

其中，w表示x^s、x^t在特征空間中分布的距離度量函數，x^s∈X^s表示源域樣本，x^t∈X^t表示目標域樣本，通過最小化L_DA值反向更新所述圖像分類預測模型的卷積層參數直到所述圖像分類預測模型收斂，所述通過最小化L_DA值反向更新所述圖像分類預測模型的卷積層參數的更新公式如下所示：

其中，表示在中，與進行逐元素相乘的塊，由此輸出的卷積值存放在(u,v)位置上，表示第l層第i個特征的靈敏度，l表示卷積層的層數；

將所述源域樣本的特征向量和目標域樣本的特征向量送入一個全連接層fc，輸出為10×1的一維向量，然后與經過one-hot編碼得到的10×1真實標簽的特征向量作交叉熵得到兩者之間的loss值，loss函數表達式如下：

其中，y^s表示樣本x^s對應的真實標簽，n^s表示源域中的樣本數，f_c表示全連接層的映射函數，k表示類別數，通過減小loss值，反向更新所述圖像分類預測模型的卷積層參數直到所述圖像分類預測模型收斂。

2.根據權利要求1所述的基于混合池化的領域自適應圖像分類方法，其特征在于，所述圖像分類預測模型設有兩個卷積層，包括第一卷積層和第二卷積層，所述第一卷積層設有32個卷積核，所述第二卷積層設有64個卷積核。

3.根據權利要求1所述的基于混合池化的領域自適應圖像分類方法，其特征在于，所述圖像分類預測模型的卷積層參數為所述卷積層的權值和偏置項。