[發(fā)明專利]一種基于聯(lián)合聚類域自適應(yīng)的圖片分類方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202111088083.0
• 申請(qǐng)日: 2021-09-16
• 公開（公告）號(hào): CN113936167A
• 公開（公告）日: 2022-01-14
• 發(fā)明（設(shè)計(jì)）人: 張蕊;汪瑜;張曦珊;劉少禮
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院計(jì)算技術(shù)研究所
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/762;G06V10/82;G06K9/62;G06N3/08
• 代理公司: 北京律誠(chéng)同業(yè)知識(shí)產(chǎn)權(quán)代理有限公司 11006
• 代理人: 祁建國(guó)

1.一種基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其特征在于，包括：

步驟1、通過特征提取網(wǎng)絡(luò)可分別提取源域圖片數(shù)據(jù)和目標(biāo)域圖片數(shù)據(jù)的特征，得到源域特征和目標(biāo)域特征；

步驟2、獲取類別聚類中心，基于該源域特征和該目標(biāo)域特征到該聚類中心的距離顯式表達(dá)域內(nèi)類別條件分布概率；

步驟3、通過最小化源域數(shù)據(jù)標(biāo)簽與域內(nèi)類別條件分布概率的相對(duì)熵距離，更新該特征提取網(wǎng)絡(luò)與類別聚類中心；

步驟4、通過最小化目標(biāo)域數(shù)據(jù)的標(biāo)簽分配與域內(nèi)類別條件分布概率的相對(duì)熵距離，再次更新特征提取網(wǎng)絡(luò)與聚類中心；

步驟5、將待分類圖片輸入經(jīng)過再次更新的特征提取網(wǎng)絡(luò)，得到待分類圖片的圖片特征，計(jì)算該圖片特征與經(jīng)過再次更新的類別聚類中心中所有類別中心的距離，表示該待分類圖片屬于各類別的概率，取概率最大的類別作為該待分類圖片的圖片分類結(jié)果。

2.如權(quán)利要求1所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其特征在于，該步驟1包括利用該特征提取網(wǎng)絡(luò)提取源域和目標(biāo)域圖片數(shù)據(jù)的特征：

其中為輸入圖片數(shù)據(jù)，表示參數(shù)為θ_R的神經(jīng)網(wǎng)絡(luò)，表示輸出特征。

3.如權(quán)利要求2所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其特征在于，該步驟2包括：

其中表示類別j圖片的特征聚類中心，p(y_j|x_i，q)表示圖片樣本x_i屬于類別y_j的域內(nèi)類別條件分布概率。

4.如權(quán)利要求3所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其特征在于，該步驟3中最小化源域數(shù)據(jù)標(biāo)簽與域內(nèi)類別條件分布概率的相對(duì)熵距離具體為：

其中N表示源域內(nèi)樣本數(shù)量，表示源域中樣本x_i的類別標(biāo)簽，表示源域樣本x_i經(jīng)過神經(jīng)網(wǎng)絡(luò)提取到的特征。

5.如權(quán)利要求4所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其特征在于，步驟4中最小化目標(biāo)域數(shù)據(jù)的標(biāo)簽分配與域內(nèi)類別條件分布概率的相對(duì)熵距離具體為；

其中N表示目標(biāo)域內(nèi)樣本數(shù)量，表示源域樣本x_i的類別標(biāo)簽分配，表示源域樣本x_i經(jīng)過神經(jīng)網(wǎng)絡(luò)提取到的特征，γ_i源域樣本x_i經(jīng)過聚類算法獲得的標(biāo)簽分配。

6.一種基于聯(lián)合聚類域自適應(yīng)的圖片分類系統(tǒng)，其特征在于，包括：

模塊1，用于通過特征提取網(wǎng)絡(luò)可分別提取源域圖片數(shù)據(jù)和目標(biāo)域圖片數(shù)據(jù)的特征，得到源域特征和目標(biāo)域特征；

模塊2，用于獲取類別聚類中心，基于該源域特征和該目標(biāo)域特征到該聚類中心的距離顯式表達(dá)域內(nèi)類別條件分布概率；

模塊3，用于通過最小化源域數(shù)據(jù)標(biāo)簽與域內(nèi)類別條件分布概率的相對(duì)熵距離，更新該特征提取網(wǎng)絡(luò)與類別聚類中心；

模塊4，用于通過最小化目標(biāo)域數(shù)據(jù)的標(biāo)簽分配與域內(nèi)類別條件分布概率的相對(duì)熵距離，再次更新特征提取網(wǎng)絡(luò)與聚類中心；

模塊5，用于將待分類圖片輸入經(jīng)過再次更新的特征提取網(wǎng)絡(luò)，得到待分類圖片的圖片特征，計(jì)算該圖片特征與經(jīng)過再次更新的類別聚類中心中所有類別中心的距離，表示該待分類圖片屬于各類別的概率，取概率最大的類別作為該待分類圖片的圖片分類結(jié)果。

7.如權(quán)利要求6所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類系統(tǒng)，其特征在于，該模塊1包括利用該特征提取網(wǎng)絡(luò)提取源域和目標(biāo)域圖片數(shù)據(jù)的特征：

其中為輸入圖片數(shù)據(jù)，表示參數(shù)為θ_R的神經(jīng)網(wǎng)絡(luò)，表示輸出特征。

8.如權(quán)利要求7所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類系統(tǒng)，其特征在于，該模塊2包括：

其中表示類別j圖片的特征聚類中心，p(y_j|x_i，q)表示圖片樣本x_i屬于類別y_j的域內(nèi)類別條件分布概率。