[發明專利]一種基于對抗域自適應網絡的圖像分類方法

有效

• 申請號: 202110607513.9
• 申請日: 2021-06-01
• 公開（公告）號: CN113378904B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 賈龍飛;李晶晶;杜哲凱
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 四川鼎韜律師事務所 51332
• 代理人: 溫利平

1.一種基于對抗域自適應網絡的圖像分類方法，其特征在于，包括以下步驟：

(1)、構建用于圖像分類的對抗域自適應網絡

針對源域、目標域中的圖像，構建特征表示網絡F、域判別器D以及分類器C；

其中，特征表示網絡F用于對源域中的圖像x_s進行特征提取，得到源域圖像特征F(x_s)，對目標域中的圖像x_t進行特征提取，得到目標域圖像特征F(x_t)，域判別器D用于對源域圖像特征F(x_s)以及目標域圖像特征F(x_t)進行判別，得到屬于源域的概率D(F(x_s))以及D(F(x_t))，分類器C用于對源域圖像特征F(x_s)進行分類，得到圖像分類概率p_i(softmax(F(x_s)),i＝1,2,…I，對目標域圖像特征F(x_t)進行分類，得到圖像分類概率p_i(softmax(F(x_t)),i＝1,2,…I；

(2)、訓練對抗域自適應網絡

2.1)、從源域中提取一批M張圖像，表示為x_{s_1},x_{s_2},...,x_{s_M}，從目標域中提取一批N張圖像，表示為x_{t_1},x_{t_2},...,x_{t_N}，分別輸入到特征表示網絡F，得到M個源域圖像特征：

F(x_{s_1}),F(x_{s_2}),...,F(x_{s_M})；

以及N個目標域圖像特征：

F(x_{t_1}),F(x_{t_2}),...,F(x_{t_N})；

M個源域圖像特征F(x_{s_1}),F(x_{s_2}),...,F(x_{s_M})以及N個目標域圖像特征F(x_{t_1}),F(x_{t_2}),...,F(x_{t_N})分別輸入到域判別器D中，得到屬于源域的概率：

D(F(x_{s_1})),D(F(x_{s_2})),...,D(F(x_{s_M}))

D(F(x_{t_1})),D(F(x_{t_2})),...,D(F(x_{t_N}))

M個源域圖像特征F(x_{s_1}),F(x_{s_2}),...,F(x_{s_M})分別輸入到分類器C，得到圖像分類概率：

p_i(softmax(F(x_{s_1}))),p_i(softmax(F(x_{s_2}))),...,p_i(softmax(F(x_{s_M}))),i＝1,2,...,I；

其中，I為圖像的類別數量，i為圖像的類別號；

2.2)、計算訓練的整體目標函數L：

L＝min_Fmax_DL_adv+λmin_FL_metric+βmin_CL_cls

其中：

L_metric＝E{k(F(x_{s_m}),F(x_{s_m'}))}_{m＝1,2,...,M,m'＝1,2,...,M,m≠m′}+E{k(F(x_{t_n}),F(x_{t_n'}))}_{n＝1,2,...,N,n'＝1,2,...,N,n≠n′}-2E{k(F(x_{s_m}),F(x_{t_n}))}_{m＝1,2,...,M,n＝1,2,...,N}

其中，min_Fmax_DL_adv的含義為：通過更新特征表示網絡F的網絡參數，使得對抗損失函數L_adv最小，更新判別器D的網絡參數使得對抗損失函數L_adv最大，形成對抗訓練，min_FL_metric的含義為：通過更新特征表示網絡F的網絡參數，使得度量損失函數L_metric最小，min_CL_cls的含義為：通過更新分類器C的網絡參數，使得交叉熵損失函數L_cls最小，λ、β為大于0的平衡參數；

其中，E表示求{}中所有元素值的期望值，k(,)為高斯核函數，為指示函數，當i＝y_{s_m}時為1，其余0，y_{s_m}為源域圖像x_{s_m}的真實類別即標簽值，p_i(softmax(F(x_{s_m})))表示分類器輸出的源域圖像特征F(x_{s_m})屬于第i類的概率；

(3)、圖像分類

將來自源域或目標域的未知類別的圖像輸入到特征表示網絡F進行特征提取，得到圖像特征，然后將圖像特征送入分類器C中，得到屬于各個類別的概率，概率最大值對應的類別為輸入圖像的類別。

2.根據權利要求1所示的基于對抗域自適應網絡的圖像分類方法，其特征在于，所述特征表示網絡F為殘差網絡ResNet-50。