[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

本發明公開了一種基于對抗域自適應網絡的圖像分類方法，重新定義了對抗損失函數L_adv克服源域和目標域泛化問題，但重新定義抗損失函數是有代價的，僅通過優化新的ADAN目標函數即抗損失函數不能保證源域和目標域分布是接近的，因此，本發明采用最小化額外的發散度即度量損失函數L_metric來對齊源域和目標域。這樣采用對抗性學習和度量學習，一方面，挑戰了以往ADAN中的泛化問題，另一方面，保證了在訓練過程中使域發散最小化。實驗表明，本發明可以很好地適用于無監督的領域自適應任務，提高目標域圖像的分類性能(準確率)。

技術領域

本發明屬于圖像分類技術領域，更為具體地講，涉及一種基于對抗域自適應網絡的圖像分類方法。

背景技術

大多數機器學習模型背后的一個共同假設是：源域和目標域具有相同的數據分布。然而，在現實應用中并不能保證這一共同假設，這可能會導致對目標域數據分類的性能急劇下降。因此，域自適應被提出，通過降低域差異來解決這一問題。最新的域自適應方法是基于對抗性學習的，這些方法通常被稱為對抗域自適應網絡(Adversarial DomainAdaptation Networks，簡稱ADAN)。

圖1是現有基于對抗域自適應網絡的圖像分類方法的原理示意圖。

ADAN類似于生成對抗網絡(GANS)，它以對抗方式訓練一個特征表示網絡F(類似于生成對抗網絡中的生成器)和一個域判別器D。具體來講，在基于對抗域自適應網絡的圖像分類方法中，源域以及目標域的圖像分別輸入到特征表示網絡F進行特征提取，得到圖像特征，然后分別送入到域判別器D，一旦域判別器D不能區分圖像特征是來自源域還是來自目標域，則認為學習到的圖像特征是域不變的。這樣通過源域圖像對特征表示網絡F、分類器C進行訓練，訓練好的特征表示網絡F、分類器C可以適用于目標域圖像的分類。

在域自適應中，源域和目標域具有不同的數據分布，域自適應的目標是學習到一種新的特征表示，使源域和目標域可以很好地對齊。ADAN利用了對抗性學習的思想，它假設只要域判別器被混淆，這兩個域就是對齊的。然而，最近的進展表明，這樣的假設可能并不可靠。然而，ADAN繼承了GANS的缺點，即使訓練成功，學習到的分布也可能與預期的分布相去甚遠，這在GANS中被稱為泛化問題。因此，即使域判別器被成功混淆，也不能保證學習的表示是域不變的，也就是說，訓練好的特征表示網絡F、分類器C不能很好地對目標域圖像進行良好的分類，分類性能有待提高。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于對抗域自適應網絡的圖像分類方法，克服源域和目標域泛化，將源域和目標域對齊，提高目標域圖像的分類性能(準確率)。

為實現上述發明目的，本發明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