[發明專利]一種基于結構特征增強和類中心匹配的跨域圖像分類方法

有效

• 申請號: 202110460439.2
• 申請日: 2021-04-27
• 公開（公告）號: CN113159199B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 孟敏;吳壯輝;武繼剛
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/74;G06V10/774;G06V10/40;G06V10/82;G06N3/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于結構特征增強和類中心匹配的跨域圖像分類方法，其特征在于，所述方法包括以下步驟：

S1：獲取具有真實標簽的源域圖像和待分類的目標域圖像；

S2：構建視覺特征提取器，提取源域圖像和目標域圖像的初始視覺特征，構建結構特征提取器，提取源域圖像和目標域圖像的初始結構特征；

S3：基于源域圖像和目標域圖像的初始視覺特征、源域圖像和目標域圖像的初始結構特征，獲得源域圖像增強特征和目標域圖像增強特征；

S4：利用源域圖像增強特征和目標域圖像增強特征對目標域圖像進行類中心匹配，獲得目標域圖像的偽標簽；

S5：使用具有真實標簽的源域圖像和具有偽標簽的目標域圖像對視覺特征提取器、結構特征提取器和分類器進行訓練，獲得訓練好的視覺特征提取器、結構特征提取器和分類器；

所述步驟S5的具體方法為：

S5.1：初始化視覺特征提取器和結構特征提取器的網絡參數；

S5.2：建立總損失函數，設置訓練參數；

S5.3：輸入所有具有真實標簽的源域圖像和具有偽標簽的目標域圖像；

S5.4：采用隨機梯度下降算法對視覺特征提取器、結構特征提取器和分類器進行迭代訓練；直到總損失函數的取值最小時，訓練結束，獲得訓練好的視覺特征提取器、結構特征提取器和分類器；

S6：使用訓練好的視覺特征提取器、結構特征提取器和分類器對待分類的目標域圖像進行分類，獲得待分類的目標域圖像的分類結果。

2.根據權利要求1所述的基于結構特征增強和類中心匹配的跨域圖像分類方法，其特征在于，獲取源域圖像和目標域圖像的初始視覺特征的具體方法為：

以深度卷積神經網絡Alexnet為基礎網絡構建視覺特征提取器；

將源域圖像集合和目標域圖像集合中的所有圖像輸入視覺特征提取器，獲得源域圖像的初始視覺特征集合和目標域圖像的初始視覺特征集合

其中，n_s表示源域圖像的數量，表示第n_s張源域圖像，表示第n_t張目標域圖像，n_t表示目標域圖像的數量；X_SV表示源域圖像的初始視覺特征集合，表示第n_s張源域圖像的初始視覺特征；X_TV表示目標域圖像的初始視覺特征集合，表示第n_t張目標域圖像的初始視覺特征。

3.根據權利要求2所述的基于結構特征增強和類中心匹配的跨域圖像分類方法，其特征在于，獲取源域圖像和目標域圖像的初始結構特征的具體方法為：

以深度卷積神經網絡Alexnet為基礎網絡構建結構特征提取器，所述結構特征提取器包括結構分數提取器和圖卷積神經網絡；

將源域圖像集合和目標域圖像集合中的所有圖像輸入結構分數提取器，獲得源域圖像結構分數集合X_SC和目標域圖像結構分數集合X_TC；

將源域圖像結構分數集合X_SC和目標域圖像結構分數集合X_TC輸入圖卷積神經網絡，獲得源域圖像的初始結構特征集合和目標域圖像的初始結構特征集合

其中，X_SD表示源域圖像的初始結構特征集合，表示第n_s張源域圖像的初始結構特征；X_TD表示目標域圖像的初始結構特征集合，表示第n_t張目標域圖像的初始結構特征。

4.根據權利要求3所述的基于結構特征增強和類中心匹配的跨域圖像分類方法，其特征在于，所述S3中，獲得源域圖像增強特征和目標域圖像增強特征的具體方法為：

對源域圖像的初始視覺特征和初始結構特征進行拼接操作，獲得源域圖像增強特征集合X_SF＝[X_SV,X_SD]；

對目標域圖像的初始視覺特征和初始結構特征進行拼接操作，獲得目標域圖像增強特征集合X_TF＝[X_TV,X_TD]。