[發(fā)明專利]基于非線性度自適應子域領(lǐng)域適應的極少量訓練樣本下圖片分類方法

在審

• 申請?zhí)枺?/td>: 202110346275.0
• 申請日: 2021-03-31
• 公開（公告）號: CN113420775A
• 公開（公告）日: 2021-09-21
• 發(fā)明（設計）人: 潘杰;陳寧寧;鄒筱瑜
• 申請（專利權(quán)）人: 中國礦業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F17/16
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 馬玉雯

1.一種基于非線性度自適應子域領(lǐng)域適應的極少量訓練樣本下圖片分類方法，其特征在于，包括以下步驟：

(1)獲取數(shù)據(jù)：讀取源域和目標域圖片，將圖片分為源域樣本、有標簽目標域樣本、待分類目標域樣本；

(2)提取并處理步驟(1)所獲取的圖片樣本的特征，得到源域圖片特征和目標域圖片特征X；有標簽數(shù)據(jù)的標簽信息Y；

(3)非線性度自適應子域領(lǐng)域適應網(wǎng)絡搭建；包括神經(jīng)元非線性度可變層和神經(jīng)元非線性度固定層；其中，前三層為神經(jīng)元非線性度可變層，第四層為神經(jīng)元非線性度固定層，第五層為類別輸出層；

(4)對步驟(3)搭建的非線性度自適應子域領(lǐng)域適應網(wǎng)絡進行訓練：

(4.1)初始化網(wǎng)絡參數(shù)，輸入步驟(2)處理所得的源域圖片特征和目標域圖片特征X和有標簽數(shù)據(jù)的標簽信息Y，通過領(lǐng)域適應網(wǎng)絡數(shù)據(jù)的前向傳播計算源域和目標域圖片同類別和不同類別間的特征分布差異、源域和目標域圖片特征的邊緣概率分布差異以及有標簽數(shù)據(jù)的交叉熵損失；

(4.2)根據(jù)領(lǐng)域適應網(wǎng)絡神經(jīng)元非線性度計算所有非線性可變神經(jīng)元參數(shù)的和；

(4.3)計算領(lǐng)域適應網(wǎng)絡的總損失函數(shù)；根據(jù)步驟(4.1)所得源域和目標域之間的特征分布差異以及步驟(4.2)所得神經(jīng)元非線性度，對領(lǐng)域適應網(wǎng)絡的第四層輸出的圖片特征計算最大均值差異，通過減小最大均值差異來減小源域和目標域之間的特征分布差異；

(4.4)領(lǐng)域適應網(wǎng)絡的參數(shù)更新；

(4.5)重復步驟(4.1)、(4.2)、(4.3)、(4.4)直到網(wǎng)絡迭代次數(shù)達到設定迭代次數(shù)，取最后一次迭代的網(wǎng)絡參數(shù)θ(ω，b，g)；

(4.6)訓練結(jié)束，網(wǎng)絡參數(shù)θ(ω，b，g)固定不再更新；

(5)在訓練好的非線性度自適應子域領(lǐng)域適應網(wǎng)絡中輸入待分類目標域圖片樣本的特征矩陣X_Tn，用該網(wǎng)絡的第五層輸出，利用softmax計算樣本所屬概率最大的類別即為圖片的預測類別。

2.根據(jù)權(quán)利要求1所述一種基于非線性度自適應子域領(lǐng)域適應的極少量訓練樣本下圖片分類方法，其特征在于，所述步驟(1)包括以下步驟：

(1.1)將所有圖片都轉(zhuǎn)換為224×224尺寸；每張圖片轉(zhuǎn)換為RGB三通道，轉(zhuǎn)換為v×h×o的三維矩陣，v和h分別為圖像的寬和高，o為通道數(shù)；

(1.2)源域圖片轉(zhuǎn)換成n_S×v×h×o的四維矩陣數(shù)據(jù)，n_S表示源域樣本數(shù)；目標域少量帶標簽數(shù)據(jù)轉(zhuǎn)換成n_Tl×v×h×o的四維矩陣數(shù)據(jù)，n_Tl表示有標簽目標域樣本數(shù)；待分類目標域圖片轉(zhuǎn)換成n_Tn×v×h×o的四維矩陣數(shù)據(jù)，n_Tn表示目標域待分類樣本數(shù)；

(1.3)圖片類別用one-hot編碼，圖片共有N類，則第一類的標簽表示[1，0，0，...，0]_1×N，第二類的標簽表示為[0，1，0，...，0]_1×N，...，第N類圖片的標簽表示為[0，0，0，...，1]_1×N。